1. 机器学习基本概念
！！！！内容来源：https://github.com/scutan90/DeepLearning-500-questions.git
1.1 机器学习本质
Machine Learning机器学习，让机器去学习，解决如何构建计算机程序使用“经验”自动改进。
如何让计算机学习呢？
设计一个算法，让算法能够提取出数据所蕴含的规律。
如果输入的数据是带有标签的，就称为有监督学习；如果输入的数据是无标签的，就称为无监督学习。
1.2 深度学习
深度学习是一种模拟大脑的行为，可以从所学习对象的机制以及行为等很多关联的方面进行学习，从而模仿类型行为以及思维。
深度学习不是走一步看一步的解决问题，而是要求我们从开始到结束都要基于一个目标，为了优化最终目标结果去处理数据以及将数据放到数据应用平台上，这就是端到端。
端到端：把源和结果连接起来，中间的实现过程采用各种算法。
1.3 机器学习的学习方式
1.3.1 监督学习
监督学习是使用已知正确答案的示例来训练网络。
已知数据和其标签一一对应，训练一个预测模型，将输入数据映射到标签的过程。
1.3.2 非监督式学习
数据集没有标签的情况。学习模型是为了推断预测出数据的一些内在结构。
1.3.3 半监督式学习
部分数据被标记。
通过对已标记数据建模，在此基础上对未标记数据进行推断预测。
1.3.4 弱监督学习
数据被标记，但是标记的信息可能不正确，出现多种标记，标记不充分，局部标记。
已知数据和其弱标签一一对应，训练一个智能算法，使得输入数据映射到一组标记更强的标签。
标签的强弱指标签蕴含的信息量的多少。
弱标签：分类（判断一张图片中是否有气球）
强标签：分割，（得出气球在图片中的位置以及气球和背景的分界线）
1.4 监督学习的步骤
监督学习是使用已知正确答案的示例来训练网络，每组训练数据有一个明确的标识或结果。例如，训练一个网络，让其从照片库中识别出气球的照片。
1.4.1 数据集的创建和分类
数据集在上面的例子中就是照片库中的照片，确定所有包含气球的照片，然后进行标注。然后，将所有照片分为训练集和验证集。我们的目标就是在深度网络中找出一个函数，当照片中包含气球时输出1，不包含则输出0.
1.4.2 数据增强
我们的数据集，也就是照片库中的照片可能存在各种的问题，比如图片模糊不清，颜色界限模糊等问题。这就需要把我们准备的这些数据洗一洗，晒一晒了，让他们变得干干净净。所以数据增强一般包括图像旋转、平移、颜色变换、裁剪、仿射变换等。
1.4.3 特征工程
特征工程包含特征提取和特征选择。
1.4.4构建预测模型和损失
将原始数据映射到特征空间之后，就得到了比较合理的输入。下一步是构建合适的预测模型得到对应输入的输出。
如何保证模型的输入和输出标签的一致性，就需要构建模型预测和标签之间的损失函数，通过优化方法不断迭代，使模型从最初的初始化状态一步步成为有预测能力的模型，这就是学习过程。
什么是损失函数？ 用来衡量算法的运行情况，估量模型的预测值与真实值的不一致程度，是一个非负实值函数，通常使用 L(Y, f(x))来表示。损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。
1.4.5训练
选择合适的模型和超参数进行初始化，其中超参数比如支持向量机中核函数、误差项惩罚权重等。当模型初始化参数设定好后，将制作好的特征数据输入到模型，通过合适的优化方法不断缩小输出与标签之间的差距，当迭代过程到了截止条件，就可以得到训练好的模型。
1.4.6 验证和模型选择
训练完训练集图片后，需要进行模型测试。利用验证集来验证模型是否可以准确地挑选出含有气球在内的照片。
在此过程中，通常会通过调整和模型相关的各种事物（超参数）来重复步骤2和3，诸如里面有多少个节点，有多少层，使用怎样的激活函数和损失函数，如何在反向传播阶段积极有效地训练权值等等。
1.4.7 测试及应用
当有了一个准确的模型，就可以将该模型部署到你的应用程序中。你可以将预测功能发布为API（Application Programming Interface, 应用程序编程接口）调用，并且你可以从软件中调用该API，从而进行推理并给出相应的结果。
