P1:introduction of machine learning
1:人工智能,机器学习,深度学习的关系是什么?
人工智能是目标,机器学习是手段,深度学习是机器学习其中一种方法。
2:生物行为来源有两种:先天拥有,后天学习。
3:人工智能中,由工程师先天设定好的行为被称为hand-crafted rules。
4:hand-crafted rules的弊端在于,无法超越设计者本身的思维,需要建立大量规则。
5:machine learning ≈ look for a function from data(理解:从大量数据中总结方法)
6:机器学习框架分为training和testing。
学习部分:准备一个model(a set of function),准备训练数据(training data),经过学习,找出最好的function。
测试部分:找未曾训练过的数据,输入后,能得到正确输出。
7:supervise learning——>在训练数据(training data)中,告诉机器某个输入所对应的正确输出。
8:机器学习的三个步骤:定义一个model,能够判断方法好或者不好,能够从model中挑选出最好的方法。
9:regression(回归):通过function得到的输出是一个数值。
10:classification(分类):分为binary classification ,输出是或否(yes or no)。
和multi-class classification,从很多类别中,学着正确的类别。
11:regression和classification的区别:输出类型。
12:model分为linear model 和non-linear model。
13:9~12概念的关系图:
14:label——>在supervised learning中,function的output被称为label。
15:label需要进行大量标记。
16:减少label使用的方法有:
semi-supervised learning,一部分data有label,一部分没有。
transfer learning,一部分有label,另一部分data与function不相关。
unsupervised learning,所有data均没有label。
reinforcement learning,没有指导,根据结果评分。
17:还有一种supervised learning:structured learning。输出结构性的对象。
18:终极总结:scenario 应用场景 task 要解的问题 method 方法
P2:why we need to learn machine learning?
朝AI训练师迈进