筆記|李宏毅老師機器學習課程，視頻1機器學習的簡介
《學習筆記》專欄·第1篇
文 | MLer
1375字 | 4分鐘閱讀
【數(shù)據(jù)科學與人工智能】開通了機器學習群，大家可以相互學習和交流。請掃描下方二維碼，備注：姓名-ML，添加我為好友，誠邀你入群，一起進步。
感謝李宏毅老師的分享，他的課程幫助我更好地學習、理解和應用機器學習。李老師的網(wǎng)站：http://speech.ee.ntu.edu.tw/~tlkagk/index.html。這個學習筆記是根據(jù)李老師2017年秋季機器學習課程的視頻和講義做的記錄和總結。因為這個視頻是在Youtube上面，有些朋友可能無法觀看，我把它搬運下來放在云盤上面，大家點擊閱讀原文，就可以直接在手機隨時隨地觀看了。再次，感謝李老師的付出和貢獻。
這門課，共有36個視頻，每個視頻播放的時間不一。我按著視頻播放的順序，觀看，聆聽和學習，并結合講義，做學習筆記。我做學習筆記目的有三：
1 幫助自己學習和理解機器學習
2 記錄機器學習的重要知識、方法、原理和思想
3 為傳播機器學習做點事情
視頻1：機器學習簡介
一、AI、ML和DL的關系
正如李老師所講，AI是目標，ML是一種AI手段，DL是一種ML方法。
二、機器學習是什么？
李老師說，機器學習約等于從數(shù)據(jù)中尋找一個函數(shù)。
例如：語音識別、圖像識別、Playing Go、對話系統(tǒng)等
三、如何找到這個Function？
機器學習的框架
三部曲
第一步：定義和設計函數(shù)集（Function set）
第二步：判斷函數(shù)的好壞（Goodness of function）
第三步：找到一個最佳的函數(shù)(Best function)
這個三部曲，也可以看做為機器學習的表達式、目標函數(shù)和優(yōu)化策略。
你會發(fā)現(xiàn)，機器學習很簡單，如下圖所示：
這個時候，我會想到這些問題：
1 這個函數(shù)集怎么定義或者表達呢？
2 如何評價一個函數(shù)的好壞，利用目標函數(shù)來做這個事情，也就是說，一個目標函數(shù)是第一步函數(shù)集中定義的函數(shù)的函數(shù)，它是一個復合函數(shù)，這個復合函數(shù)怎么設計？
3 如何根據(jù)第二步，從函數(shù)集里面找到最佳的函數(shù)呢？
四、課程的學習地圖
第一：回歸任務，以預測天氣PM2.5的值為例
第二：分類任務
分類與回歸的差異，在于輸出的類型不一樣，前者是類別（二個或者多個），后者是一串數(shù)值。
分類分為二元分類和多元分類
例如：垃圾郵件識別系統(tǒng)，是否為垃圾郵件，二元分類；文檔分類系統(tǒng)，輸出新聞所屬的類別（政治類、經(jīng)濟類、體育類等）
我們要完成任務，需要采用各種方法，簡單方法，有線性方法Linear Model，與之對應的有非線性方法Non-linear Model,非線性模型，例如，決策樹、KNN、SVM、深度學習等
回歸任務和分類任務，統(tǒng)稱為有監(jiān)督學習，在訓練階段，需要提供正確的輸出（Label）。實際情況中，收集大量的帶有正確Label的數(shù)據(jù)集是非常困難的，有時候也會非常的昂貴。比方說，金融領域的里面，好人和壞人的標簽。針對這些問題，出現(xiàn)了新的機器學習范式，比方說半監(jiān)督學習、遷移學習或者無監(jiān)督學習。
李老師，還提到了一種結構學習的任務，既不屬于回歸任務，又不屬于分類任務，這個任務更有挑戰(zhàn)性，意味有很多問題待思考和解決。
有監(jiān)督學習，從教師指導下學習；而強化學習，從交互評價下學習。
李老師以訓練一個聊天機器人為例，對比說明了監(jiān)督學習和強化學習的兩種不同學習模式和差異。
總之，這個學習地圖，包括場景-任務-方法（算法與模型），如下圖所示：
朋友們，在學習中有什么問題或者想法，請加入機器學習群，大家一起討論，共同進步。
每周一書
5數(shù)據(jù)科學導論：Python語言實現(xiàn)