李宏毅机器学习(一) 机器学习介绍

对于一项任务，在制定机器学习策略之前，通常会采用人工手工总结规则来应对（可抽象为制定成千上万个if-else），程序根据制定的规则来处理任务，这成千上万个if-else我称为表达空间。

• 手工总结规则的问题：

  1. 表达能力不足：人工总结的规则，表达空间有限，不能包含所有的情况，基于手工规则的机器，只能处理规则以内的事物。
  2. 成本高：一项复杂的任务需要制定大量的规则任务，这需要富有经验的多个领域专家参与，需要大量时间和金钱。

• 机器学习所做的，可以想象为帮我们找到一个可以表达该项任务的函数，具体可分为三步：

  1. 设定模型集合：也就是一个可用于该任务的模型，可以理解为一个公式，也可以理解为神经网络模型，由于参数的不同，所以可以构成多个不同的模型，所以称为模型集合。
  2. 判断函数对于该项任务的好坏：也就是判断上述的模型运用于任务的效果好坏。
  3. 找出最优的那个模型：根据2步结果，找出最优的那个模型（效果最好，损失最小，误差最小等）

  

• 机器学习相关的技术

  • 监督学习：有带标签的学习资料（一张图，一段描述图片的话）
    • 回归：模型输出的是数值，例如预测温度。
    • 分类：模型输出的是类别，例如🐱，🐕，🐒
      • 二分类：输出是否，例如是猫，不是猫。
      • 多分类：输出对应类别，例如🐱、🐕 或 other
  • 半监督学习：训练使用的数据，一部分不带标签，利用不带标签的数据也能帮助模型学习。
  • 迁移学习：将一个任务的经验迁移至另一个任务。
  • 无监督学习：用于训练的样本没有标签，希望机器自己去发现其中的知识，例如聚类算法，将类似的物品聚在一起。
  • 监督学习中的结构化学习：对于识别任务来讲，不同的识别任务，需要识别的物品不一样，例如语音，图像，文本。语音之间都存在相似的结构，识别结构也是一个问题。
  • 强化学习：把网络想象为一个机器人，机器人会根据当前的任务给出自己的输出，然后根据输出对环境的变化及时调整自己的策略，以达到下次输出更优的目标。（用于无法进行监督学习时）

• AI训练师的必要性

  • AI训练师要挑选合适的model, function，不同的model，function适合解决不同的问题。
  • 模型训练不一定能自己找出最优的function, 这个时候需要有经验的AI炼丹师来做调参等优化。