# 機器學習是什麼 **機器學習就是讓機器能自動找到一個函式（function）** - 語音識別（Speech Recognition） 輸入是音訊，輸出是音訊對應的文字。 - 影象分類 輸入是圖片，輸出是類別（比如貓、狗）。 - AlphaGo下圍棋 輸入是當前棋盤的狀態，輸出是下一步落棋的位置。 - 對話/問答系統 # 機器能夠找到哪些函式？ 為解決不同的問題、完成不同的任務，需要找到不同的函式，那機器學習能找到哪些函式呢？ - 迴歸（Regression） 輸出是一個連續的數值、標量，比如PM2.5預測。 - 分類（Classification） 輸出是一個離散的值。 二分類（Binary Classification）的輸出就是0或1、Yes或No、…，比如文字情感分析的輸出可以是正面和負面。 多分類（Multi-Category Classification）的輸出就是[1,2,3,...,N]，比如影象分類裡判斷一張圖片是貓還是狗還是杯子。 - 生成（Generation） 很多教科書把機器學習劃分為迴歸問題和分類問題，但其實不止這兩種問題，還有其它問題，比如生成（Generation）。 生成（Generation）指讓機器學習如何創造/生成，比如生成文字、圖片等。 # 如何告訴機器我們希望找到什麼函式 我們該如何為機器提供學習資料？ - 有監督學習（Supervised Learning） 可以把有監督學習中的“監督”理解為“標籤（Label）”，即資料集中不僅包括特徵還包括標籤。 有了標籤，我們就可以評價一個函式的好壞，進而優化這個函式。 使用Loss判斷函式的好壞，Loss越小，函式越好。**個人想法：值得一提的是，Loss/評價指標是多樣的、優化方法也是多樣的。** - 強化學習（Reinforcement Learning） 原始的AlpahGo是先通過有監督學習優化到一定程度，然後用強化學習繼續優化。 新版本的AlphaGo是完全通過強化學習實現的，優於原始的AlphaGo。 - 無監督學習（Unsupervised Learning） 只給機器提供資料特徵，但不提供資料標籤。==那機器能學到什麼呢？== 下面以讓機器學習下圍棋為例：有監督學習VS強化學習。 - 有監督學習 函式的輸入（資料特徵）就是棋盤狀態，函式的輸出（資料標籤）就是下一步落棋的位置。 此時，我們需要為機器提供的資料就類似棋譜（如果現在棋局是這樣，那下一步怎麼落棋最好），**但其實人類不一定知道怎麼落棋最好**。 **個人想法：理論上，通過這樣的有監督學習，機器是無法超越人類的。因為這樣的有監督學習的本質是人類把自己的下棋策略教給機器，機器學習的內容僅僅是人類的下棋策略而無法“自主進行思考”，所以理論上機器是無法超越人類的。同時要注意，這裡的人類指全人類。** - 強化學習 讓機器跟自己、別人下棋，把結果（贏或輸）作為Reward，引導機器學習如何下棋。 如果它贏了，那它就知道這一盤裡有幾步棋下得好，但不知道是哪幾步；如果它輸了，它就知道這一盤裡有幾步棋下得不好，但不知道是哪幾步。 **個人想法：理論上，通過這樣的強化學習，機器是可以超過人類的。因為兩者的學習材料沒有本質區別，但機器的機能卻優於人類，這裡講的機能包括資訊共享能力、記憶能力、執行能力等方面** # 機器如何找出我們想找到的函式 - 我們要給定函式形式/範圍（模型） 比如假定函式是線性模型、神經網路等等。**模型就是一個函式集，模型的引數確定以後，才得到一個函式。** - 找到更好的函式： 使用梯度下降（Gradient Descent），找到更好的函式。 # 前沿研究 - AI的可解釋性（Explainable AI） 比如，機器為什麼認為這張圖片裡有一隻貓？ - 對抗攻擊（Adversarial Attack） 對輸入故意新增一些人無法察覺的細微的干擾，導致模型以高置信度給出一個錯誤的輸出。 - 模型壓縮（Network Compression） 把模型壓縮以減少模型對計算資源消耗。 - 異常檢測（Anomaly Detection） 使機器知道它遇到了自己不知道的東西。 - 遷移學習（Transfer Learning/Domain Adversarial Learning） 一個模型已經學到了一些知識，將這些知識應用到另一個任務中。 - 元學習（Meta Learning） 讓機器學習如何學習。 機器學習是我們教機器學習某種知識，元學習是我們教機器如何學習。 - 終身學習（Life-Long Learning） 讓機器終身學習，學習完任務1、再繼續學任務2、…… # 機器學習的三個步驟 1. 確定模型（Model）/函式集（Function Set） 2. 確定如何評價函式的好壞 3. 確定如何找到最好的函式 --- Github（github.com）：[@chouxianyu](https://github.com/chouxianyu) Github Pages（github.io）：[@臭鹹魚](https://chouxianyu.github.io/) 知乎（zhihu.com）：[@臭鹹魚](https://www.zhihu.com/people/chouxianyu0) 部落格園（cnblogs.com）：[@臭鹹魚](https://www.cnblogs.com/chouxianyu/) B站（bilibili.com）：[@絕版臭鹹魚](https://space.bilibili.com/346368054) 微信公眾號（WeChat Official Accounts）：[@臭鹹魚的快樂生活]() 轉載請註明出處，歡迎討論和交