李宏毅《机器学习》丨1. Introduction of this course（机器学习介绍）

一、人工智能、机器学习和深度学习

• 人工智能（Artificial Intelligence） $\to$ 目标
• 机器学习（Machine Learning） $\to$ 手段
• 深度学习（Deep Learning）$\to$ 机器学习的其中一种方法

▲ 人工智能、机器学习和深度学习的关系

二、机器学习（Machine Learning）

所谓Machine Learning的方向，就是你就写段程序，然后让机器人变得了很聪明，它就能够有学习的能力。

如果讲的更务实一点的话，Machine Learning所做的事情，你可以想成就是在寻找一个Function，要让机器具有一个能力，这种能力是根据你提供给它的资料，它去寻找出我们要寻找的Function。

$$Machine \ Learning \approx Looking \ for \ a \ Function$$

找出function的framework：

1. 先准备一个function set(集合)，这个function里面有成千上万的function，这个function set就叫做model(模型)；
2. 使用Training Data判断这个function是好是坏；
3. 有效率的演算法自动挑选出最好的function。

▲ Machine Learning Framework 的整个过程

三、机器学习相关的技术

3.1 监督学习（Supervised Learning）

• 回归（Regression）：Predict continuous valued output
• 分类（Classification）：Discrete valued output
• 结构化学习（Structured Learning）：lnput and output are both objects with structures

3.2 半监督学习（Semi-supervised Learning）

Training Data有少量的Labelled data和大量的Unlabeled data。
在半监督学习的技术中，这些没有label的data，它们可能也是对学习有帮助。

3.3 迁移学习（Transfer Learning）

迁移学习的意思是：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。但是它们跟我们现在要考虑的问题是没有什么特别的关系，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，你有这一大堆不相干的图片，它们到底可以带来什么帮助。这个就是迁移学习要讲的问题。

3.4 无监督学习（Unsupervised Learning）

没有任何label，机器可以无师自通。

3.5 强化学习（Reinforcement Learning）

在Reinforcement Learning中，我们没有告诉机器正确的答案是什么，机器所拥有的只有一个分数，就是它做的好还是不好。

Alpha Go其实是用Supervised Learning加上Reinforcement Learning去学习的。先用棋谱做监督学习，然后再和另外一个机器做强化学习。

▲ 机器学习相关的技术

四、为什么要学习机器学习

其中最重要的原因是需要AI训练师。
在机器学习中，需要挑选出合适的 Model、Loss Function、…，不同的Model、Loss Function适合解决不同的问题，这时候就需要富有经验的AI训练师去寻找合适的Model、Loss Function。