First Try:机器学习应用及其理论分类
前段时间花69元购买了“吴恩达《机器学习》作业班”的资料，昨天刚开课，开课第一节的“开营仪式”的语音直播中首先强调了要整理笔记，要输出，否则时间久了就忘记了，这是一个整理学习的过程，所以我就来到了这里，希望自己也能慢慢养成这样一个习惯，在不断的总结中进步。
s2机器学习绪论
p1.机器学习中比较活跃的四大应用领域
️数据挖掘：发掘数据之间的关系
️计算机视觉：像人一样看懂世界
️自然语言处理：像人一样看懂文字
️机器决策：像人一样决策
p2.案例1:血糖值的预测
回归问题
已知：如表格中，共5643个样本，每个样本是一个人的体检的信息。
求：一个数学函数f，使其f（一个人的性别，年龄，总蛋白……淋巴细胞）=一个人的血糖值
这是一个回归问题，因为血糖值是连续的小数
p3.案例2:有无糖尿病的预测
分类问题
已知：如表格所示，共1000个样本，每个样本是人的体检检查的信息
求：一个数学函数f ，使其f（snp1,身高，bmi分类……snpss）=一个人是否患有糖尿病
分类问题：输出是离散值，代表属于哪类问题
p4.机器学习相关问题
机器学习两大基本问题：
️回归问题
️分类问题
什么是机器学习？
根据已知的数据，学习出一个数学函数f(x1,x2,x3,……xn)=y,使其能够有更强的预测能力
一些专有名词的概念：
️①机器学习模型：f
②features
️③label
️④样本
️⑤数据集
p5.计算机视觉的案例
案例3:图像分类
已知：如图所示，为一些示例样本
求：一个机器学习模型f，使其
原始图像 输入 机器学习模型 输出 类别
最近比较火的微信小程序：猜画小歌（刚刚体验了，真的很不错）
样本通常为上万个样本
p6：目标检测
已知：如图所示，为2个示例样本
求：一个机器学习模型f，使其 原始图像 输入 机器学习模型 输出 label
比较典型的应用：无人驾驶
让机器能够检测出一张图片中的所有物体，并能够判断出每个物体所属哪个类别，并且能够计算出物体在图片中的坐标信息
如图中，无人车的目标检测，无人车检测出图片中所有车辆，用红色框出所有小汽车，用蓝色框出所有大卡车
label 更为复杂，（20，60，50，80，4），前四个为坐标信息，最后一个为类别信息
数据集是人工一张一张的标注的，是庞大的工作，由庞大的机构进行后公开，供全球学者使用
p7:语音分割
已知：如图为3个示例样本
本质上来讲仍然是分类问题，即对每个像素点进行分类
求：一个机器学习模型f，使其 原始图像 输入 机器学习模型 输出 label
目标检测用检测框框出来的物体，不仅包括自身信息，还物体周围的信息也被标注在检测框内
语义分割更为精确，仅仅分割出自身的信息
如图中，马吃草经过语音分割后变成右侧，不包含周围信息
数据集依旧是人工标注的
p8:场景理解
左边为原始图片，右侧为切割好的图片
无人车可以根据显示的信息对图片进行分割，紫色的为汽车，粉色的物体表示道路，红色表示高楼，无人车可以根据此规划出可行的区域来
自然语音处理案例
p9：案例7 文本分类（例如新闻分类，体育？政治？科技……）
一篇新闻 输入 机器学习模型 输出 类别
案例8: 自动生产文本摘要
一篇文章 输入 机器学习模型 输出 摘要
案例9:翻译
一句英文 输入 机器学习模型 输出 一句中文
p10: 案例10:问答
已知：如图所示，为一个实例样本
求出：一个机器学习模型，使其
p11:微软小冰
一句话 输入 机器学习模型 输出 一句话
如机器人聊天客服，微软小冰公众号
p12: image to text
已知：如下图所示，共4个实例样本
求出：一个机器学习模型f，使其
image 输入 机器学习模型 输出 text
根据图形自动输出一段描述图形的文本，文字与图片相一致，需大量人工标注
p13机器人决策案例
案例13:end to end 级自动驾驶
已知：如图所示，为2个示例样本
求：一个机器学习模型f，使其 相机 一张图片 机器学习模型 控制信号 车辆
传统的无人驾驶：相机和雷达采集车周围的信息，然后计算机对其进行三维建模等 ，然后根据建好的模型进行路径规划，最终产生控制信号控制车辆，总共有3个步骤：感知环境——路径规划——控制信号
而end to end 控制（端到端无人驾驶）：没有传统的环境感知和路径规划的步骤
图为nvdia2016年的研究
进过大量的人力物力搜集样本，根据机器学习的算法输出模型
p15:案例14:玩赛车游戏
已知：如图所示，为torcs平台，一个赛车游戏（选手不是真实玩家，而是机器人（计算机程序）），也是一个无人驾驶的仿真环境，可以模拟一些实际场景，可以对车辆进行控制，比如向上换挡/向下换挡/加速/减速/向左打方向盘/向右打方向盘等，使其完成一次动作，比如车辆跟随，换道，超车，沿道路行驶等
世界各国的人们都会尝试开发一个程序去玩这个游戏
求出：一个机器学习模型f（通常将其称为agent），使agent像人一样，具有决策能力，能够控制这个赛车取得游戏中的最好成绩
agent 玩赛车的过程：
dota2 机器人挑战职业玩家
p16:案例15:机器人开门
已知：如图所示，为一个机器人开门的模拟环境和一个真实环境
求出：一个机器学习模型f（通常称为agent）,使机器人能够根据摄像头采集到的信息，输出控制指令，对手臂进行控制，进而完成开门这一任务
agent开门的过程：
在仿真环境中进行大量学习训练得出基础模型，然后从真实环境中进行少量训练，对基础模型微微调整，以使其能够更好的从仿真环境迁移到真实环境中
p17:机器学习理论分类
根据上述案例所用到的知识理论，将机器学习理论主要分为以下3大部分：
注：上述3大理论只是机器学习中最为常用最为活跃的部分，当然严格意义上来讲，机器学习还包括其他方面的理论，只是不常用
每个应用案例用到了哪些相关理论知识：
传统的监督学习/深度学习：案例1血糖值预测和案例2有无糖尿病预测
深度学习：自然语音处理所有案例，计算机视觉所有案例和案例13end to end级无人驾驶
深度学习+强化学习：案例14玩赛车游戏，案例15机器人开门
注：在自然语言处理领域/计算机视觉领域，过去常常用传统的监督学习算法，但现在在很多任务上深度学习的效果更好，但是也有一部分任务上传统的监督学习算法更好。
p18 总结
建议路线：传统的监督算法——深度学习——强化学习
建议准则：循序渐进，慢慢来，一开始不要试图看懂一本书或一套视频的所有知识点
总的来说：这篇文章是边听视频边抄下来的，虽然不是自己编写的内容，可是还是成就感满满，毕竟对我一个还没有入门的小白来说，一开始就是要认真记录，消化吸收，时间久了自然能够输出自己整理的内容，加油！
