机器学习白到反光的小白——前言
学习笔记，如果有错误求指出，但是小白就不要看了容易误导泥萌(/ω＼)
一、什么是机器学习
机器学习是实现人工智能的一种手段，我们为机器编写学习程序，使得机器可以自主学习。
在这里，我们将机器看成一个人，所有所学的知识和做出的行为，都是先天学习和后天学习共同形成的。对于机器而言，先天学习是人类设定的大量规则，后天学习则是机器学习主要致力实现的部分。每一个机器起初都是一个小baby，在社会教育和自主学习的过程中长大成人。
而机器”学习”的过程，就是在大量数据下找到一个抽象意义上的 函数f，完成从 f(已有数据）= 想得到的结果 的映射。
二、机器学习的架构
那么问题来了，机器学习需要我们做些什么呢？
- 定义函数f的集合{ f1,f2,f3……无穷 }
- 用大量数据训练上述集合中的函数，判断fi是否输出正确。
- 挑选出最为准确的f
之后便是对这个最为准确的f进行测试，看是否这个函数真的让人满意。
三、实现方案
1. Supervised Learning（监督学习）
顾名思义，监督学习是指在有人监督指导下的学习。
程序员利用一组已知类别的样本进行试验，调整分类参数，使机器达到所要求的性能。
举一个简单的例子：我们将一部分猫、狗、蛇的图片给机器，教会他认识这些动物；当拿不同的猫的图片给机器时，希望他能认出这是猫；而结果可能是机器没有认出这是猫，此时我们就要调整分类参数，使它更好的对图片进行分类。
在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。
相关概念：
- classfication（分类）：在监督学习的过程中，机器根据已有类别将输入对象进行分类，并打上相应的标签。分类分为二元分类和多元分类两种，二元分类只有两种标签，如：你吃饭了吗？回答有是和否两种选择。多元分类有多种标签，如：明天天气如何？有晴天、阴天、下雨、下雪等不同选择。
- Regression（回归）：回归是分类的一种工具，回归是根据样本研究其两个（或多个）变量之间的依存关系，是对于其趋势的一个分析预测。
- label（标签）：函数 f 的输出。
2. Semi-Supervised Learning （半监督学习）
半监督学习与监督学习不同的地方在于：它在使用大量有标记数据的同时，也会使用大量的未标记数据。
当使用半监督学习时，将会要求尽量少的人员来从事工作，同时，又能够带来比较高的准确性。
3. Transfer Learning（迁移学习）
在迁移学习中，有着大量有标记的数据，大量未标记的数据，以及不相干的数据，不相干的数据也会对学习有帮助。
4. Unsupervised Learning（无监督学习）
现实生活中常常会有这样的问题：缺乏足够的先验知识，因此难以人工标注类别或进行人工类别标注的成本太高。
无监督学习即根据没有标记（没有分类）的样本解决模式识别中的各种问题。
在无监督学习中，每个实例只有输入对象而没有输出值。
5. Structured Learning （结构化学习）
结构化学习是指函数的label是有结构的，例如是一句话而不是一个字。
6. Reinforcement Learning （强化学习）
强化学习类似于进入社会之后人的学习，没有人告诉你什么是对的什么是错的，需要你自己实践之后才能知道。
机器也是一样，它不知道正确答案是什么，只知道这次这样做是对或是错，从错误中不断完善自己。