DW李宏毅机器学习笔记--Task01-机器学习介绍_李宏毅机器学习datawhale task01

前言

这是我在Datawhale组队学习李宏毅机器学习的博客，既作为我学习过程中的记录，也供同好们一起交流研究，此后还会继续更新相关内容的博客。

一、机器学习介绍

1.人工智能、机器学习与深度学习

人工智能︰让机器变得像人—样拥有智能的学科；

机器学习∶让计算机像人—样能从数据中学习出规律的一类算法；

深度学习∶神经网络类的机器学习算法；

在这三者中人工智能是要实现的目的，而机器学习是达到这个目的的手段，而深度学习就是其中的一种方法。

之所以我们经常把深度学习和机器学习等同，是因为使用神经网络来进行训练的效果十分优秀，能够取代传统机器学习中的许多经典算法，如决策树等等。

人工智能具体应用领域：

计算机视觉(Computer Vision, CV)︰让计算机拥有视觉能力；

自然语言处理(Natural Language Processing, NLP)︰让计算机拥有语言能力

推荐系统(Recommender System, RS)：让计算机精确分析出人的喜好讲一下这几个应用领域和机器学习、深度学习的关系

以上是人工智能的几个具体应用环境，在人工智能广泛应用前，这些领域也有其他的算法，不过后来被机器学习取代了，如果要在这些领域继续研究的话要去再学习这些领域的前世今生。

2.Hand-crafted rules与Machine learning

Hand-crafted rule 是很久之前就出现的方法，这种算法的效果看似挺智能，但有显而易见的缺陷：

1. 无法考虑到所有种可能，例如：假设设计一个机器人，他可以帮你打开或关掉音乐，那你的规则可能是这样：设立一条规则，就是写程序。如果输入的句子里面看到“turn off”这个词汇，那chat-bot要做的事情就是把音乐关掉。这个时候，之后对chat-bot说，Please turn off the music 或can you turn off the music, Smart? 它就会帮你把音乐关掉。看起来好像很聪明。别人就会觉得果然这就是人工智慧。但是如果今天想要欺负chat-bot的话，你就可以说please don‘t turn off the music，但是他还是会把音乐关掉。
2. 永远无法超过创造者。
3. 需要大量的工作量

3.机器学习的思路

1. 首先准备一个模型，也就是function set(集合)。这里面有成千上万的function，有的function能够有效地解决目标问题，但有的并不能够去有效地解决。
2. 让machine可以衡量一个function是好还是不好。
3. 让machine有一个自动的方法，有一个好演算法可以挑出最好的function。

二、机器学习相关的技术

注意一下这个不同的方块，这用不同的颜色来表示。同样的颜色不同的方块是同一个类型的，这边的蓝色的方块，指的是学习的情景，通常学习的情景是你没有办法控制的。比如，因为我们没有data做监督学习，所以我们才做reinforcement learning。现在因为Alpha Go比较火，所以Alpha Go中用到的reinforcement learning会被认为比较潮。所以说有学生去面试，说明自己是做监督学习的，就会被质疑为什么不做reinforcement learning。那这个时候你就应该和他说，如果我今天可以监督学习，其实就不应该做reinforcement learning。reinforcement learning就是我们没有办法做监督学习的时候，我们才做reinforcement learning。红色的是指你的task，你要解的问题，你要解的这个问题随着你用的方程的不同，有regression、有classification、有structured。所以在不同的情境下，都有可能要解这个task。最后，在这些不同task里面有不同的model，用绿色的方块表示。

1.监督学习

supervised learning（监督学习）的问题是我们需要大量的training data。training data告诉我们要找的function的input和output之间的关系。如果我们在监督学习下进行学习，我们需要告诉机器function的input和output是什么。这个output往往没有办法用很自然的方式取得，需要人工的力量把它标注出来，这些function的output叫做label。

回归（Regression）问题

定义：用于预测一个具体的数值。意思是，machine找到的function，它的输出是一个数值，这个叫做regression。

分类（Classification）问题

定义：在Classification里面机器输出的是类别。 Regression和Classification的差别就是我们要机器输出的东西的类型是不一样。在Regression中机器输出的是一个数值，在Classification里面机器输出的是类别。假设Classification问题分成两种，一种叫做二分类输出的是是或否（Yes or No）；另一类叫做多分类（Multi-class），在Multi-class中是让机器做一个选择题，等于是给他数个选项，每个选项都是一个类别，让他从数个类别里选择正确的类别。

Deep Learning

在做Deep learning时，它的function是特别复杂的，所以它可以做特别复杂的事情。比如它可以做影像辨识，这个复杂的function可以描述pixel和class之间的关系。

2.半监督学习

用于训练的数据集中部分是已经处理好的label，而部分是未处理的数据

假设你先想让机器鉴别猫狗的不同。你想做一个分类器让它告诉你，图片上是猫还是狗。你有少量的猫和狗的labelled data，但是同时你又有大量的Unlabeled data，但是你没有力气去告诉机器说哪些是猫哪些是狗。在半监督学习的技术中，这些没有label的data，他可能也是对学习有帮助。这个我们之后会讲为什么这些没有label的data对学习会有帮助。

3.迁移学习

用于训练的数据集当中有少量data是已经标记好的适用于本问题的，而其他大量data都是与本问题没有特殊关系的，而且其中有的标记好了，而有的并没有标记。

假设我们要做猫和狗的分类问题，我们也一样，只有少量的有label的data。但是我们现在有大量的data，这些大量的data中可能有label也可能没有label。但是他跟我们现在要考虑的问题是没有什么特别的关系的，我们要分辨的是猫和狗的不同，但是这边有一大堆其他动物的图片还是动画图片（凉宫春日，御坂美琴）你有这一大堆不相干的图片，它到底可以带来什么帮助。这个就是迁移学习要讲的问题。

4.无监督学习

用于训练的数据集并没有经过任何处理。举例来说，如果我们给机器看大量的文章（在去网络上收集站文章很容易，网络上随便爬就可以）让机器看过大量的文章以后，它到底可以学到什么事情。代表任务就是“聚类”和“降维”

5.监督学习中的结构化学习（structured learning）

结构化学习的特点是机器输出的是有结构性的。不同于输出单一数值和类别，结构化学习的输出是有可分割的。

举例来说：在语音辨识里面，机器输入是声音讯号，输出是一个句子。句子是要很多词汇拼凑完成。它是一个有结构性的object。或者是说在机器翻译里面你说一句话，你输入中文希望机器翻成英文，它的输出也是有结构性的。或者你今天要做的是人脸辨识，来给机器看张图片，它会知道说最左边是长门，中间是凉宫春日，右边是宝玖瑠。然后机器要把这些东西标出来，这也是一个structure learning问题。

6.强化学习

在强化学习中，我们将注明一个分数，来表明其做得怎么样。
将强化学习和监督学习进行比较时，在监督学习中我们会告诉机器正确答案是什么。若现在我们要用监督学习的方法来训练一个聊天机器人，你的训练方式会是：你就告诉机器，现在使用者说了hello，你就说hi，现在使用者说了byebye ，你就说good bye。所以机器有一个人当他家教在他旁边手把手的教他每件事情，这就是监督学习。
若我们现在要用reinforcement learning方法来训练一个聊天机器人的话，他训练的方法会是这样：你就把机器发到线下，让他的和面进来的客人对话，然后想了半天以后呢，最后仍旧勃然大怒把电话挂掉了。那机器就学到一件事情就是刚才做错了。但是他不知道哪边错了，它就要回去自己想道理，是一开始就不应该打招呼吗？还是中间不应该在骂脏话了之类。它不知道，也没有人告诉它哪里做的不好，它要回去反省检讨哪一步做的不好。

总结

这节课首先对机器学习的知识体系进行了一个概括，让初学者对机器学习有一个大概的了解，对于多种训练方法的使用更体现了具体问题具体分析的思想，让人眼前一亮。