什麼是機器學習？

1.機器學習 == 尋找一種函式

這個函式可以是：

1. 語音識別:輸入一段語音訊號，輸出文字
f(

)$="howareyou"$

2. 影像識別:輸入圖片，輸出圖片的屬性
f(

)$=“cat”$

3. 智慧控制：輸入棋盤局勢，輸出下一步落棋位置
f(

）="5∗5"

4. 對話系統: 輸入語言，系統回覆
$f("Hi")="Hello"$

2.如何尋找這個函式

和把大象放冰箱一樣，一共分三步：
   1.定義一個函式集合（define a function set）
   2.判斷函式的好壞（goodness of a function）
   3.選擇最好的函式（pick the best one）

3.學習路線

1. 監督學習(Supervised learning)

2. 半監督學習(Semi-Supervised learning)

3. 遷移學習（Transfer learning)

4. 非監督學習(Unsupervised learning)

5. 結構化學習(Structed learning)

3.1 監督學習

監督學習是在有資料標註的情況下進行學習。
迴歸：（Regression）
迴歸問題，尋找函式f的輸出為一個數值。一般用於預測。
該問題一般是透過大量的訓練資料，找到相對正確的函式。
例如：我們可以從歷史的PM2.5的資料中，找到規律，預測未來的PM2.5

分類：（Classification）
分類問題可以分為二分類，和多分類。

3.2 半監督學習（Semi-Supervised learning）

半監督學習，是學習的過程中，當訓練資料中帶標記的（labled）資料不夠多
舉個例子：識別貓和狗的過程中：
帶標記的資料：

不帶標記的資料：

3.3 遷移學習（Transfer learning)

遷移學習是在已經學習的基礎上，去做看似和以前學習不相關的事情，但是實際效果很好。
例如：還是識別貓狗的例子，我們可以在識別貓狗的基礎上識別大象、老虎。（在一定的基礎上進行學習）

3.3 非監督學習(Unsupervised learning)

非監督學習就是在沒有具體資料標註的情況下進行學習。
例如：

（1）機器閱讀：機器在大量的文件中學會詞語的意思

（2）機器繪畫：機器在看過圖片資訊後，自己繪製圖片

3.4 結構化學習(Structed learning)

結構化學習就是要超越簡單的迴歸和分類，函式產生結構化的結果：比如圖片、語言、聲音。

f(

)=(機器學習是未來的鑰匙！)

--------------期待開始--------------