一、机器学习是什么?

机器学习的本质就是自动寻找函式

二、你想找什么样的函式？

1.regression（回归）：

函数的输出是一个数值
比如PM2.5的预测，给machine的training data是过去的PM2.5资料，而输出的是对未来PM2.5的预测数值，这就是一个典型的regression的问题

2.classfication（分类）：

1）Binary Classification(二元分类):
输出只有两个可能

2）multi-class Classification(多层次分类):
输出是让机器做选择题，从N个选项中做出正确的选择

3.generation（生成）：

让机器生成有结构的复杂东西（例如：句子、图片），让机器学习怎么创造这些东西。

三、怎么告诉机器你想找什么样的函式？

1. supervised learning (有监督学习)：

监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。

1）函式的loss：预测结果的出错率。用来估量模型的预测值f(x)与真实值Y的不一致程度，损失函数越小，模型的鲁棒性就越好。

2. unsupervised learning(无监督学习)：

区别于supervised learning，unsupervised learning希望机器学到无师自通，在完全没有任何label（标记）的情况下，机器到底能学到什么样的知识

3. reinforcement learning（强化学习）:

强化学习属于无监督学习，机器不知道正确答案，只知道自己做得好还是不好，但是机器不知道自己哪里做的不好，机器要自己想办法解决。引导机器学习的方向。

其实Alpha Go是用supervised Learning+reinforcement Learning的方式去学习的，机器先是从棋谱学习，有棋谱就可以做supervised的学习；之后再做reinforcement Learning，机器的对手是另外一台机器，Alpha Go就是和自己下棋，然后不断的进步

4.transfer learning（迁移学习）:

训练数据跟测试数据的类型不一样的，例如以黑白图片训练识别数字，测试时使用了彩色图片，如何使机器也能输出正确的结果。
Transfer Learning要解决的问题是，这一堆不相干的data可以对结果带来什么样的帮助

5.meta learning（元学习）：

学习如何学习

6.life-long learning（终身学习）：

终身学习，不停学习

学习视频：李宏毅2020机器学习
部分学习笔记参考网络上优秀的解释，仅供自用学习记录。