一、机器学习

机器学习： 帮助机器从现有的复杂数据中学习规律，以预测未来的行为结果和趋势。
深度学习： 机器学习研究中的一个新的领域，通过建立、模拟人脑进行学习的神经网络，它模仿人脑的机制来解释数据。

1、机器学习

机器学习的模型像是一个黑盒模型，通过输入输出来确定该模型。

机器学习中的关键组件：1、数据；2、模型；3、目标函数；4、算法。

2、各种机器学习问题

2.1 监督学习

监督学习：给定输入特征的情况下预测标签。

2.1.1 回归

回归：预测用户对一部电影的评分。

回归是训练一个回归模型来输出一个数值。

2.1.2 分类

分类：希望模型能够预测样本属于哪个类别。

分类是训练一个分类器来输出预测的类别。

最常见的类别不一定最终用于决策的类别。如判断一种蘑菇是否有毒，有80%的概率无毒，有20%的概率有毒，那我们也不会吃它，此时它不确定风险远远大于收益。

2.1.3 标记问题

当学习不相互排斥的类别问题称为多标签分类，如某篇博客同时具有“编程语言”，“深度学习”等标签。

2.1.4 搜索

在信息检索领域，我们希望对一组项目进行排序。（首先为集合中的每个元素分配响应的相关分数，然后检索评级最高的元素）

2.1.5 推荐系统

它的目标是向特定用户进行“个性化推荐”，在零售产品、音乐、短视频和新闻推荐中都有出现。

2.1.6 序列学习

如果输入样本之间有联系，是连续的，那模型可能就需要拥有“记忆”功能。

如自动语音识别，文本到语音和机器翻译。

2.2 无监督学习

没有十分具体的目标，“自发”地学习。可用于以下几个方面：

• 聚类问题：没有标签的情况下给数据分类
• 组成成分分析
• 因果关系和概率图模型
• 生成对抗性网络

2.3 强化学习

强化学习是一类明显与环境互动的问题。如：深度Q网络在雅达利游戏中仅使用视觉就击败了人类，以及AlphaGo程序在棋盘游戏围棋中击败了世界冠军。

强化学习在每个特定的时间点，智能体从环境接收一些观察，并且必须选择一个动作，然后通过某种机制将其传回环境，最后智能体从环境中获得奖励。