关于人工智能&机器学习&深度学习
1.Artificial Intelligence(人工智能)
Artificial Intelligence(人工智能)是我们要实现的目标。
2.Machine Learning(机器学习)
Machine Learning(机器学习)是我们实现AI的手段。类似于Looking for a function from data(从一堆数据中找到最适合的函数)。
应用:
- Speech Recognition(语音识别)
- Image Recognition(图像识别)
- Playing GO(下围棋)
3.Deep Learning(深度学习)
Deep Learning(深度学习)是Machine Learning的一种方法。
机器学习相关的scenario(情景)
1.Supervised Learning(监督式学习)
1.基本框架
- 假设我们有一个function set(也叫Model,模型)和一些Training Data(训练数据,包括 function input 和 function output)。
- 我们根据Model和Training Data得到Goodness of function f f f(函数 f 的优度)。
- 根据 function f 的优度,选择”最好”的函数 f ∗ f^* f∗。
- 使用函数 f ∗ f^* f∗。
2.Supervised Learning下的任务
1.Regression(回归)
The output of the target function f is “scalar”.
举例:
预测PM2.5:根据历史数据(今天上午的PM2.5,昨天上午的PM2.5等)预测明天上午的PM2.5。
2.Classification(分类)
Binary Classification
举例:
Spam Filtering(垃圾邮件过滤):输出邮件是否是垃圾邮件。
Multi-class Classification
举例:
Document Classification(文件分类)。
3.Structured Learning(结构化学习)
Beyond Classification。
2.Semi-supervise Learning(半监督式学习)
3.Unsupervised Learning(无监督式学习)
4.Transfer Learning(迁移学习)
5.Reinforcement Learning(强化学习)
Supervised Learning v.s. Reinforcement Learning
- Supervised Learning:learning from teacher。
- Reinforcement Learning:learning from critics(评价)。