Introduction of Machine Learning

导读
机器学习为什么这么热门，机器学习有何价值，什么是机器学习，什么又是监督学习、无监督学习？

我的努力求学没有得到别的好处，只不过是愈来愈发觉自己的无知。

一、What is Machine Learning

从吴恩达的机器学习中我得知：

Tom Mitchell provides a more modern definition: “A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.”

结合李宏毅《机器学习》中：

Machine Learning ≈ Looking for a Function

通俗点就是：machine learning所做的事情，你可以想成就是在寻找一个function，要让机器具有一个能力，这种能力是根据你提供给他的资料，它去寻找出我们要寻找的function。还有很多关键问题都可以想成是我们就是需要一个function。

二、Supervised Learning & UnSupervised Learning & Structured Learning

Supervised Learning 译为监督学习，是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。

我的理解：监督学习是建立庞大的training data 上的，需要人工告知哪些输入和输出，这些output叫做label。

Unsupervised Learning 译为无监督学习，这是比监督学习更为进阶的，
让机器自己进行学习和决策。例如Google 新闻网页中，就是一个无监督学习。

Structured learning 中让机器输出的是要有结构性的，举例来说：在语音辨识里面，机器输入是声音讯号，输出是一个句子。句子是要很多词汇拼凑完成。它是一个有结构性的object。或者是说在机器翻译里面你说一句话，你输入中文希望机器翻成英文，它的输出也是有结构性的。然后机器要把这些东西标出来，这也是一个structure learning问题。

三、Summary

为了较少需要的Label，这时候就用到了Semi-supervised Learning (半监督学习)。

Reinforcement Learning ，由于没有那么多数据做监督学习，所以才做Reinforcement Learning。例如 Alpha Go,就是应用了监督学习+Reinforcement Learning，用棋谱来监督学习，然后进行Reinforcement Learning，但是reinforcement learning需要一个对手，如果使用人当对手就会很让费时间，所以机器的对手是另外一个机器。

这里有个故事：

Samuel编写了一个西洋棋程序。这程序神奇之处在于，编程者自己并不是个下棋高手。但因为他太菜了，于是就通过编程，让西洋棋程序自己跟自己下了上万盘棋。通过观察哪种布局（棋盘位置）会赢，哪种布局会输，久而久之，这西洋棋程序明白了什么是好的布局，什么样是坏的布局。然后就牛逼大发了，程序通过学习后，玩西洋棋的水平超过了Samuel。

在整个Machine Learning Framework整个过程分成了三个步骤

这就是机器学习的框架。