1. 机器学习概述

3.作业要求：

1）贴上Python环境及pip list截图，了解一下大家的准备情况。暂不具备开发条件的请说明原因及打算。

2）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。

3）什么是机器学习，有哪些分类？结合案例，写出你的理解。

 

（1）贴上Python环境及pip list截图，了解一下大家的准备情况。暂不具备开发条件的请说明原因及打算。

（2）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。

 

（3）什么是机器学习，有哪些分类？结合案例，写出你的理解。

机器学习是从示例中学习的软件。 你不需要编写机器学习的算法，而是通过提供大量的相关数据，来训练它们。 例如，不要试图对机器算法解释一只猫看起来是什么样的，你需要通过提供数百万张猫的图片来培训它。 该算法在这些图像中找到重复的模式，并为自己确定如何定义猫的外观。在此之后，当你向该程序显示新照片时，它可以区分照片中是否含有猫的成分。许多人将机器学习等同于人工智能。 然而，AI是一个松散的概念，它可以应用于从复杂的、基于规则的软件到尚未发明的，人类智能之间的任何事情。 实际上，机器学习是AI的一个特别分支，它基于数据而并非规则来创建程序。机器学习大致有三种，分别是监督学习，无监督学习，强化学习，深化学习。

      监督学习：就是你使用带有标签数据的训练算法，将一组输入对象(通常为矢量)映射到一组期望的输出值中(也称为监督信号)。 上面所讲的猫的示例就是监督学习的一个例子。 另一个例子是语音识别，你可以通过提供声音波形来对应其中的书面字体。你提供给监督学习的算法样本越多，其分析新数据的能力就越精确。 而这也是监督学习的主要挑战。 创建带有标记样本的大数据非常耗时，同时也需要大量的人力。 一些平台，如亚马逊的Mechanical Turk提供数据标签服务。在“无监督学习”中，机器学习的另一个分支，则没有参考数据，一切都没有标签。 换句话说，你提供输入，但不提供输出。 该算法对未标记的数据进行整理，提取推论并找出模式。 无人监督学习对于人类无法定义的，隐藏模式的情况尤其有用。例如，你允许机器学习算法监视你的网络活动。 然后，它将根据其找到的模式设置正常网络活动的基准。根据这个标准，它将检测并且记录异常网络活动。

     无监督学习：  与监督学习相比，无监督的学习更接近于机器自我学习的过程。 然而，无监督学习的问题是其结果往往是不可预测的。 这就是为什么它通常需要结合人的直觉来引导其保持正确方向，因为它一切都是自学的。 例如，上述网络安全的例子，网络活动中有许多原因会使其偏离规范，然而这并不是恶意制造的。 但机器学习的算法并不知道。在开始的时候，人类分析人员必须纠正其决定，直到它学会判断异常并作出更好的决策。

     强化学习：另一个不太知名的机器学习领域是“强化学习”。在强化学习中，程序员定义了状态，期望目标，允许的行动以及约束。 该算法通过尝试将各种不同的允许行动进行组合来了解如何实现目标。 当你知道目标是什么，但无法定义达到目标的路径时，此方法特别有效。

强化学习在许多设置中被使用。 在更著名的案例中，Google DeepMind的AlphaGo，掌握了复杂的棋盘游戏Go的机器学习程序。 该公司正在采用同样的方法来提高英国电网的效率。 Uber也在使用相同的技术来教AI代理玩侠盗猎车手车。

     深化学习：深入学习解决了上一代学习算法中存在的一个主要问题。先前， 随着数据的增长，算法平台的效率和性能趋于停滞。 现在，深度学习算法在获得更多数据的同时，其性能也在不断改进。深度学习算法并不是直接通过将输入映射到输出的方式，而是依赖于几层处理单元。 每个层将其输出传递到下一个层，进行处理，然后再传递到下一层。 在某些模型中，计算可能会在处理层之间来回流动多次。现已证明深度学习在各种任务中非常有效，包括图像字幕，语音识别和语言翻译。