数据科学与人工智能学习笔记：李宏毅老师机器学习课程视频搬运

hua818

△你是新朋友吗？记得点击数据科学与人工智能关注我哦~

《学习笔记》专栏·第1部分

文|MLer

1375 字 | 4 分钟阅读

【数据科学与人工智能】开设了机器学习群，方便大家互相学习交流。请扫描下方二维码，备注：姓名-ML，加我为好友，诚挚邀请您加入群组，共同进步。

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：~/index.html。本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记录和总结的。因为上面这个视频，有些朋友可能看不到。我把它移下来放到了云盘上。点击阅读原文，随时随地直接在手机上观看。再次感谢李老师的付出和贡献。

本课程共有36个视频，每个视频的播放时间不同。我按照视频播放的顺序看、听、学，并结合讲义做学习笔记。我做学习笔记的目的有三个：

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. 做一些事情来传播机器学习

视频 1：机器学习简介

1. AI、ML和DL之间的关系

正如李老师所说，AI是目标，ML是AI方法，DL是ML方法。

2.什么是机器学习？

李老师说，机器学习大致相当于从数据中找函数。

例如：语音识别、图像识别、围棋、对话系统等。

3.如何找到这个？

机器学习框架

三部曲

步骤1：定义和设计功能集（set）

步骤 2：确定函数的质量

第三步：找到最优函数（Best）

这个三部曲也可以看作是机器学习的表达、目标函数和优化策略。

你会发现机器学习非常简单，如下图所示：

这时候我就会思考这些问题：

1 如何定义或表达这个函数集？

2. 如何评价一个函数的好坏？使用目标函数来做到这一点。换句话说，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。如何设计这个复合函数呢？

3 如何根据第二步从函数集中找到最好的函数？

4. 课程学习地图

第一：回归任务，以预测天气PM2.5的值为例

二：分类任务

分类和回归之间的区别在于输出类型不同。前者是一个类别（两个或多个），后者是一串值。

分类分为二元分类和多元分类

例如：垃圾邮件识别系统，是否是垃圾邮件，二元分类；文档分类系统，输出新闻所属类别（政治、经济、体育等）

为了完成任务，我们需要使用各种方法。简单的方法包括线性方法Model，以及对应的非线性方法Non-Model，非线性模型，如决策树、KNN、SVM、深度学习等。

回归任务和分类任务统称为监督学习。在训练阶段，需要提供正确的输出（标签）。在实践中，收集大量具有正确标签的数据集非常困难，有时甚至非常昂贵。比如在金融领域，有好人、坏人的标签。针对这些问题，新的机器学习范式应运而生，例如半监督学习、迁移学习或无监督学习。

李老师还提到了一个结构性学习任务，它既不是回归任务，也不是分类任务。这项任务更具挑战性，意味着有很多问题需要思考和解决。

监督学习是指在老师的指导下学习；强化学习涉及通过交互式评估进行学习。

李老师以训练聊天机器人为例，对比说明了两种不同的学习模型以及监督学习和强化学习的区别。

简而言之，这张学习图包括场景-任务-方法（算法和模型），如下图所示：

小伙伴们，如果您在学习过程中有什么疑问或者想法，欢迎加入机器学习群一起讨论，共同进步。

预订一周