李宏毅机器学习自己的笔记(一)----------Introduction of MachineLearning
2018-02-02 09:47
567 查看
视频来源:李宏毅机器学习(2017)_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili
https://www.bilibili.com/video/av10590361/?p=2
声明:图片均来自于视频截图
![](https://img-blog.csdn.net/20180202095153329?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbHVvbGFuZ18xMDM=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
问题一: AI,机器学习 ,深度学习关系
答:AI人工智能是人类最终要实现的,完成的目标。机器学习是人类在尝试完成这个目标所创生的一种途径。而深度学习是让机器学习完成和实现的一种有效的方法
问题二: 机器学习原因?
答:模仿生物个体。生物个体或的知识,具备相应的能力有两个方式:(1)先天遗传(2)后天学习。而在个体的竞争之中后天学习才是王道。相比如通过类似于(1)机器需要完备的出厂设置,才能保证不被玩死,才能让人感觉答哦智能,但是这样类似于穷举法,你没有办法考虑到每一件具体的事情。所以类比生物这肯定行不通啊。故而尝试后天学习。那么问题来了-------如果把机器比喻为一个婴孩,那么怎么通过机器的方法使他学习??
问题三: 机器学习本质
答:想一想我们幼年的时候啥都不知道,但是通过听,看我们学习认识了这个时间。然后再通过婴幼儿的教育,我们背诵大量的书籍,虽然不懂具体的意思,虽然后来都不记得内容了,但是我们具备了独立读书看报的能力。
首先第一步(1):向机器输入它听到的声音(语音识别)看到的图片(图像识别)------------总之就是数据集
第二步(2)Training :婴儿还学到怎样恰当的表达 这个就是机器怎么选择恰当的函数,模拟触类旁通,模拟举一反三???-------在模拟Model中选择最优化,恰当的函数
第三部(3)Testing: 使用选择的恰当的函数去应用。--------没有使用不正确的话,进行反思,重新选择model,在类似的有两函数基础上进行相应的改变,拟合??
李宏毅老师酱菜中的图片:
![](https://img-blog.csdn.net/20180202084634797?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbHVvbGFuZ18xMDM=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
问题四: 分类与回归
答: 分类:分为:二分类和多分类,结构化学习
但最终得到的结果是一个非精确的数据(或是一个精确的label,标记具体的类别)
而回归就是获得精确的值,可以进行预测,也更加细化的值,对比分类的结果。
结构化学习:是分类的超越,它更倾向于模仿人类的记忆搜索库吧??
其实自己不是太明白就是觉的:都可以用来做预测,比如使用分类预测是否会下雨,而归类就是具体的这天会不会下雨?其实有点迷惑。等我接着看下去,希望有更深的理解
![](https://img-blog.csdn.net/20180202085132700?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbHVvbGFuZ18xMDM=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
问题五: 机器学习具体类别:
答: (1)Semi-supervised (半监督学习):数据一部分有label,一部分没有label,让机器自己的去学习,应用这些数据实现功能
(2)Transfer learing (迁移学习):
(3)un-supervised Learning (无监督学习):数据没有标签,最接近于人类的学习模式。试图给机器数据(小学生背书)看机器可以自己学到什么(比如我们从背书,学会了自己看书,从国背诗,学会自己创作)
(4)Reinforcement learning (强化学习):
不告诉机器这道题作对了没有,只是给明具体的分数。让机器自己去改正,修补。(通过反馈学习)
(学校模式)监督学习就是类似于给了一个家教老师,指导进行学习。(来自老师指导:这个要在这样的思路,那个要那样的体系等等)
(社会模式)Reinforcement Learning 自己犯错自己承担,自己找错
https://www.bilibili.com/video/av10590361/?p=2
声明:图片均来自于视频截图
问题一: AI,机器学习 ,深度学习关系
答:AI人工智能是人类最终要实现的,完成的目标。机器学习是人类在尝试完成这个目标所创生的一种途径。而深度学习是让机器学习完成和实现的一种有效的方法
问题二: 机器学习原因?
答:模仿生物个体。生物个体或的知识,具备相应的能力有两个方式:(1)先天遗传(2)后天学习。而在个体的竞争之中后天学习才是王道。相比如通过类似于(1)机器需要完备的出厂设置,才能保证不被玩死,才能让人感觉答哦智能,但是这样类似于穷举法,你没有办法考虑到每一件具体的事情。所以类比生物这肯定行不通啊。故而尝试后天学习。那么问题来了-------如果把机器比喻为一个婴孩,那么怎么通过机器的方法使他学习??
问题三: 机器学习本质
答:想一想我们幼年的时候啥都不知道,但是通过听,看我们学习认识了这个时间。然后再通过婴幼儿的教育,我们背诵大量的书籍,虽然不懂具体的意思,虽然后来都不记得内容了,但是我们具备了独立读书看报的能力。
首先第一步(1):向机器输入它听到的声音(语音识别)看到的图片(图像识别)------------总之就是数据集
第二步(2)Training :婴儿还学到怎样恰当的表达 这个就是机器怎么选择恰当的函数,模拟触类旁通,模拟举一反三???-------在模拟Model中选择最优化,恰当的函数
第三部(3)Testing: 使用选择的恰当的函数去应用。--------没有使用不正确的话,进行反思,重新选择model,在类似的有两函数基础上进行相应的改变,拟合??
李宏毅老师酱菜中的图片:
问题四: 分类与回归
答: 分类:分为:二分类和多分类,结构化学习
但最终得到的结果是一个非精确的数据(或是一个精确的label,标记具体的类别)
而回归就是获得精确的值,可以进行预测,也更加细化的值,对比分类的结果。
结构化学习:是分类的超越,它更倾向于模仿人类的记忆搜索库吧??
其实自己不是太明白就是觉的:都可以用来做预测,比如使用分类预测是否会下雨,而归类就是具体的这天会不会下雨?其实有点迷惑。等我接着看下去,希望有更深的理解
问题五: 机器学习具体类别:
答: (1)Semi-supervised (半监督学习):数据一部分有label,一部分没有label,让机器自己的去学习,应用这些数据实现功能
(2)Transfer learing (迁移学习):
(3)un-supervised Learning (无监督学习):数据没有标签,最接近于人类的学习模式。试图给机器数据(小学生背书)看机器可以自己学到什么(比如我们从背书,学会了自己看书,从国背诗,学会自己创作)
(4)Reinforcement learning (强化学习):
不告诉机器这道题作对了没有,只是给明具体的分数。让机器自己去改正,修补。(通过反馈学习)
(学校模式)监督学习就是类似于给了一个家教老师,指导进行学习。(来自老师指导:这个要在这样的思路,那个要那样的体系等等)
(社会模式)Reinforcement Learning 自己犯错自己承担,自己找错
相关文章推荐
- [机器学习入门] 李宏毅机器学习笔记-24(introduction of Structured Learning;结构化学习介绍)
- 【李宏毅ML笔记】 10 Brief introduction of deep learning
- 李宏毅机器学习课程笔记2:Classification、Logistic Regression、Brief Introduction of Deep Learning
- 【李宏毅老师机器学习课程笔记】第一课:What is Machine Learning, Deep Learning and Structured Learning?
- 台大李宏毅Machine Learning 2017Fall学习笔记 (7)Introduction of Deep Learning
- 李宏毅机器学习笔记(二)-------Why we need learn Machine Learning?
- 【deeplearning.ai笔记第二课】1.3 机器学习基本方法(Basic recipe for machine learning)
- [机器学习入门] 李宏毅机器学习笔记-37 (Deep Reinforcement Learning;深度增强学习入门)
- Foundation of Machine Learning 笔记第二部分——Guarantees for Finite Hypothesis Sets in Consistent Case
- 机器学习笔记1 - Hello World In Machine Learning
- Andrew NG机器学习课程笔记系列之——Introduction to Machine Learning
- Stanford 机器学习笔记 Week6 Advice for Applying Machine Learning
- In-depth introduction to machine learning in 15 hours of expert videos
- Coursera公开课笔记: 斯坦福大学机器学习第十一课“机器学习系统设计(Machine learning system design)”
- [机器学习入门] 李宏毅机器学习笔记-23(Support Vector Machine;支持向量机)
- [机器学习入门] 李宏毅机器学习笔记-9 (“Hello world” of deep learning;初探深度学习)
- Foundation of Machine Learning 笔记第五部分 (1) —— Rademacher Complexity 和 VC 维
- Stanford 机器学习笔记 Week6 Machine Learning System Design
- Foundation of Machine Learning 笔记第五部分 (2) —— Rademacher Complexity 和 VC 维
- 斯坦福机器学习视频笔记 Week6 关于机器学习的建议 Advice for Applying Machine Learning