笔记|李宏毅老师机器学习课程，视频1机器学习的简介
《学习笔记》专栏·第1篇
文 | MLer
1375字 | 4分钟阅读
【数据科学与人工智能】开通了机器学习群，大家可以相互学习和交流。请扫描下方二维码，备注：姓名-ML，添加我为好友，诚邀你入群，一起进步。
感谢李宏毅老师的分享，他的课程帮助我更好地学习、理解和应用机器学习。李老师的网站：http://speech.ee.ntu.edu.tw/~tlkagk/index.html。这个学习笔记是根据李老师2017年秋季机器学习课程的视频和讲义做的记录和总结。因为这个视频是在Youtube上面，有些朋友可能无法观看，我把它搬运下来放在云盘上面，大家点击阅读原文，就可以直接在手机随时随地观看了。再次，感谢李老师的付出和贡献。
这门课，共有36个视频，每个视频播放的时间不一。我按着视频播放的顺序，观看，聆听和学习，并结合讲义，做学习笔记。我做学习笔记目的有三：
1 帮助自己学习和理解机器学习
2 记录机器学习的重要知识、方法、原理和思想
3 为传播机器学习做点事情
视频1：机器学习简介
一、AI、ML和DL的关系
正如李老师所讲，AI是目标，ML是一种AI手段，DL是一种ML方法。
二、机器学习是什么？
李老师说，机器学习约等于从数据中寻找一个函数。
例如：语音识别、图像识别、Playing Go、对话系统等
三、如何找到这个Function？
机器学习的框架
三部曲
第一步：定义和设计函数集（Function set）
第二步：判断函数的好坏（Goodness of function）
第三步：找到一个最佳的函数(Best function)
这个三部曲，也可以看做为机器学习的表达式、目标函数和优化策略。
你会发现，机器学习很简单，如下图所示：
这个时候，我会想到这些问题：
1 这个函数集怎么定义或者表达呢？
2 如何评价一个函数的好坏，利用目标函数来做这个事情，也就是说，一个目标函数是第一步函数集中定义的函数的函数，它是一个复合函数，这个复合函数怎么设计？
3 如何根据第二步，从函数集里面找到最佳的函数呢？
四、课程的学习地图
第一：回归任务，以预测天气PM2.5的值为例
第二：分类任务
分类与回归的差异，在于输出的类型不一样，前者是类别（二个或者多个），后者是一串数值。
分类分为二元分类和多元分类
例如：垃圾邮件识别系统，是否为垃圾邮件，二元分类；文档分类系统，输出新闻所属的类别（政治类、经济类、体育类等）
我们要完成任务，需要采用各种方法，简单方法，有线性方法Linear Model，与之对应的有非线性方法Non-linear Model,非线性模型，例如，决策树、KNN、SVM、深度学习等
回归任务和分类任务，统称为有监督学习，在训练阶段，需要提供正确的输出（Label）。实际情况中，收集大量的带有正确Label的数据集是非常困难的，有时候也会非常的昂贵。比方说，金融领域的里面，好人和坏人的标签。针对这些问题，出现了新的机器学习范式，比方说半监督学习、迁移学习或者无监督学习。
李老师，还提到了一种结构学习的任务，既不属于回归任务，又不属于分类任务，这个任务更有挑战性，意味有很多问题待思考和解决。
有监督学习，从教师指导下学习；而强化学习，从交互评价下学习。
李老师以训练一个聊天机器人为例，对比说明了监督学习和强化学习的两种不同学习模式和差异。
总之，这个学习地图，包括场景-任务-方法（算法与模型），如下图所示：
朋友们，在学习中有什么问题或者想法，请加入机器学习群，大家一起讨论，共同进步。
每周一书