Task01:机器学习介绍byMatrix-郭瑛

总结1:机器学习程序与非机器学习程序最大最核心的区别是,非机器学习里面if else逻辑判断条件都是程序员写程序的时候写好了,程序写好后就不能改了,而机器学习程序里面的if else逻辑判断条件是程序模型从数据里面学到的,程序员制定条件毕竟有限,而且总有漏洞,工作量也大,最重要的事,制作出来的非机器学习程序肯定没有人聪明,但是机器学习程序利用大数据的学习训练,只要模型合适,参数调节训练合适,机器学习模型就可以无限度的逼近真实的结果,所以它既比人聪明,也把制定无数规则的程序员解放出来了;

总结2:机器学习技术和模型很多,不能说哪个技术更好更高级,只能说在某个场景里面,哪个机器学习技术模型更适合;比如,在有足够标注数据的情况下,监督学习比增强学习这种无监督学习更好,但是没有足够的标注数据,那增强学习肯定更好;

总结3:分类、回归和结构输出,不代表具体的机器学习技术模型,它们是机器学习模型要完成的目标任务,所以监督和无监督机器学习里面都有可以完成这三类任务的机器学习模型;

听课笔记:
1.Hand-crafted rules
1.1 本质:人类设定好的天生本能,非机器学习方法,由成千上万提前写好的if,else逻辑判断规则组成的程序,程序写好规则就定了,程序不能改了;
1.2 坏处:
1.2.1 永远没有办法超越人类,它是人类设定好的规则,当然没有办法超越人类,
1.2.1 机器越聪明,人类设定的规则越多,工作量越大,并且总有漏掉的规则
2. 机器学习
2.1本质:写一个有学习能力的程序,并不实现具体的规则,只是写好一系列接口,接口内部的功能实现是由机器从数据里面学习出来的
2.2 学习方法:
2.2.1 搭建框架:写好一系列接口,并不具体实现
2.2.2 数据训练
2.2.3 挑选实现效果最好的一个功能接口
2.2.4 测试,举一反三的能力
3. 监督学习
3.1 线性模型(linear model)
3.1.1线性回归:定义好功能接口,训练完成后,输入数据,返回的是一个预测的数据
3.1.2线性分类:定义好功能接口,训练完成后,输入数据,返回的是对数据的分类结果,分类结果分为2种,一种就是二元是和否,另一种就是多元(具体分类的类别)
3.2 非线性模型(non linear model)
3.1. 深度学习:定义好的特别复杂功能接口,用来非线性分类,比如下围棋,整个棋盘19x19种落子选择,就是目前棋局输入对应输出的19x19种分类选择
3.2 其他非线性模型:SVM, 决策树,KNN
4. 半监督、迁移学习
4.1 只有一小部分是标注了的数据,其他的数据都是没有标注或者是混乱的数据
5. 无监督学习
5.1 没有标注的数据,它从大量没有标注的数据中学习
6. 结构化学习
6.1 输出是有结构性的结果
7. 增强学习
7.1增强学习没有提前标注好的数据,它是自己从评价反馈中学习的,它只知道反馈结果好还是不好,具体是哪里不好它是不知道的,没有正确答案,符合真实世界的案例,例如,我们在世界里面的经验,是没有正确答案的,阿尔法狗也是一样的,没有老师,它是不断从对手中学习的;

1赞
浙ICP备19012682号