[机器学习入门]李宏毅机器学习笔记-1（Learning Map
在此就不介绍机器学习的概念了，请自行google，在此直接看Learning Map。
Learning Map（学习导图）
| VIDEO |
|---|
先来看一张李大大的总图↓
先来看一张李大大的总图
鉴于看起来不是很直观，我“照虎画猫”做了一个思维导图如下：
理论上Supervised Learning分支下的内容都可以放在其他Learning Map大类下。
1. Supervised Learning
所谓监督学习，就是我们告诉机器说，当这个function看到某种input则输出a，看到另一种input输出b，看到……
Supervised Learning-> Regression
Regresion： The output of the target founction f is ‘scalar’. 如果我们在机器学习中要找的function输出是数值，
举个例子：
预测PM2.5进行天气预报。
这里写图片描述
核心思想就是：连续函数下进行预测。
Supervised Learning-> Classification
分类问题有两种可能，Binary Classification 输出是或否，Multi-class Classification输出多个类型。
举个例子：
Binary Classification： Spam filtering（垃圾邮件过滤），判断是垃圾邮件，不是垃圾邮件。
Multi-classification： Document Classification（文件分类），将文件分为政治、经济、体育等多个大类。
Classification-> Linear Model 与 Non-Linear Model
Linear Model : 能做的事有限，一些简单的模型可以用它来做，但遇到复杂问题就力不从心了。
Non-linear Model : For example，现在的深度学习就是一个Non-linear Model，能完成一些很复杂的工作，比如图像分类等。
-
Classification-Image Recognition：输入一个图片，通过一个很复杂的卷积神经网络（CNN）的Function判断是猫是狗还是猴子，每个可能的物种是class。
这里写图片描述
-
Classification-Playing Go：输入棋盘上的局势，判断下一个落子的位置，每一个可能的落子位置就是一个class。
Structuerd Learning
在实际运用中，常常会遇到Beyond Classification的情况，比如语音识别，人脸识别，语言翻译等，是结构化输出。此类问题常配合Reinforcement Learning 解决。
这里写图片描述
2. Semi-supervised Learning
example：要建立一个辨识猫与狗的系统，手上有一部分Labelled data（已经标记好的猫狗图片），和一部分Unlabeled data（未做过标记的猫狗图片），那么Semi-supervised Learning做的就是利用Unlabeled data优化function，也常用于数据不足时进行学习。
3. Transfer Learning
example：还是建立辨识猫与狗的系统，手上有一部分Labelled data（已经标记好的猫狗图片），和另一部分与猫狗没有关系的图片（比如狮子老虎，标未标记都可），那么Transfer Learning就是利用这些data优化function。
4. Unsupervised Learning
example1： 要让机器学会阅读，希望机器自己在网络上爬去很多文章，自己理解其中的意思，进而取得人类的一些理解，掌握阅读的技巧，这就是非监督学习要做的。
我们知道，做machine Learning就是要找一个function。比如在学会阅读这个系统里，我们给系统input一个“apple”词汇，然后让机器看懂。在Unsupervised Learning 中没有人告诉机器每个词汇表示什么意思，只有大量text喂给机器。
这里写图片描述
example2：要让机器学会自主绘画，我们只给机器呈现显示世界中的景象并不做标识，机器要从中提炼绘画风格与内容，学会通过作画表达自己。
4. Reinforcement Learning
在实际运用中，以上方法并不能解决全部问题，常常会遇到Beyond Classification的情况，比如语音识别，人脸识别，语言翻译等，那么就要通过增强学习来解决问题。
增强学习的一个非常知名的应用就是 google 阿法狗。
Reinforcement Learning VS Supervised
增强学习与监督学习有什么区别呢？
example1：用一个语音识别的例子来解释：
Supervised 就像给了机器一个点读机，他听到一句话时可以看到其含义，每一句话都有标签，就像有一个手把手教他的老师。
而Reinforcement Learning 就像跟女朋友对话，反复讲来回讲很多句话，直到女朋友觉得你无言以对愤然离去，机器唯一可以知道的就是他做的好还是不好，除此之外没有任何information。而这更像人类现实生活中的学习过程，必须自己像哪里做得好做得不够好，怎么修正。
这里写图片描述
另一个例子，下围棋。
example2：
supervised： 给机器一堆棋谱，告诉机器，情况a则落子在“5-5”处，情况b则落子在......
Reinforcement Learning: 让机器自己下棋，下过几百手之后，机器只知道自己赢了还是输了，下的好还是不好，机器必须自己想办法做提高。
Alpha Go is supervised learning + reinforcement learning.
学习导图总结
有一个非常重要的信息是每一个框的颜色。
- 蓝色部分代表scenario，意思是你现在有什么类型的 training data。
| machine learning | scenario |
|---|---|
| Supervised Learning | 有标签data |
| Semi-supervised Learning | 部分有标签data |
| Unsupervised Learning | 无标签data |
| Transfer Learning | 一堆不相干data |
| Reinforcement Learning | 只有来自外界的评价 |
-
红色部分代表task，意思是现在function的output是什么，只体现在supervised中，但其实可以插在以上五种Learning的每一种内。
| machine learning | task(output) |
| ------------- |-------------|
| Regression | scalar |
| Classification | class1、class2...之一 |
| Structured Learning | 有结构的内容 |
- 绿色部分代表Method方法模型，比如在Classification中有Linear模型 or Non-linear模型，我们可以将绿色部分插入任何红色部分中。
