李宏毅老师机器学习课程笔记_ML Lecture 0-1: Introduction of Machine Learning

引言：

最近开始学习“机器学习”，早就听说祖国宝岛的李宏毅老师的大名，一直没有时间看他的系列课程。今天听了一课，感觉非常棒，通俗易懂，而又能够抓住重点，中间还能加上一些很有趣的例子加深学生的印象。

视频链接（bilibili）：李宏毅机器学习(2017)

另外已经有有心的同学做了速记并更新在github上：李宏毅机器学习笔记(LeeML-Notes)

所以，接下来我的笔记只记录一些我自己的总结和听课当时的困惑，如果有能够帮我解答的朋友也请多多指教。

1、人工智能、机器学习、深度学习的关系

人工智能是目标，机器学习是实现目标的手段，而深度学习是实现机器学习的方法之一。

人类想要创造“智能”，有两种方式：

hand crafted rules(人工编制的规则)：需要大量的if then，是一种被摒弃的路线
让机器可以自己学习：是课程探讨的方向

Yann LeCun曾经在twitter上发过的一则漫画，讽刺的是很多外形酷炫的所谓AI，拆开看源码其实就是很多的hand crafted rules程序而已。这又不得不让人联想到以前有人说过，“用PPT写的往往不是人工智能，用python写的才是”。这么看来，用python写的也不保险啊。

2、机器学习做的是什么事情？

机器学习≈寻求一个函数（function）

这个函数可以在我们输入确定的数据，经过它以后，可以输出我们想要的结果。

3、机器如何学习？

如何找到上面提到的函数？以图像识别为例，想要找到合适的函数，需要先准备一系列的函数，这一系列的函数集被称为模型(Model)。模型里有的函数是我们需要的，比如上图中的f1，因为当你输入猫的图片，它可以给出正确的结果。而f2显然不是我们想要的函数。机器学习的目的就是要找出可以认出所有动物的最优函数f*。当在训练数据中，既给出了输入的数据（图片），又给出了我们想让机器输出的结果（动物的名称），这种机器学习被称为监督学习。在监督学习中给出的输出结果又被称为标签。

4、机器学习的步骤

机器学习的过程往往分为3大步（类似于将大象放进冰箱）：

定义一个函数集合，或者选择何种模型
让机器可以衡量一个函数的好坏
让机器可以挑出最好的函数

5、机器学习的学习路线

机器学习分为（按场景，越来越难）：

监督学习（按任务）：
1. 回归问题（regression）：需要输出的是数字（scalar），比如预测明天PM2.5的数据
2. 分类问题（classificasion）：
  - 二元分类问题：需要输出的是“是”或“否”，比如垃圾邮件的判别
  - 多元分类问题：比如新闻内容的自动分类，属于财经、体育、政治……
3. 结构化学习（structure learning）：就像暗黑大陆，有很多我们还不了解的东西，比较有名的方法——生成对抗网络GAN
半监督学习：少量有标签的数据，大量无标签数据
迁移学习：除了有一些无标签的数据，还有大量与要做的工作无关的数据
无监督学习：无标签的数据学习
强化学习：需要通过评价来学习，learning from critics，比较符合人类学习的模式

其中分类问题可以用到的模型有：

线性模型：最简单
非线性模型：要主要花精力的地方，非线性模型里最耳熟能详的就是深度学习模型（又分为以下方法）：
1. 深度学习
  - 图像识别：吴恩达当年在google用深度学习让计算机识别出了猫
  - 围棋：AlphaGo，类似于一个19*19（围棋棋盘）的分类问题
2. K-NN
3. 决策树
4. SVM（支持向量机）