在此就不介紹機器學習的概念了。

Learning Map（學習導圖）

先來看一張李大大的總圖↓

鑑於看起來不是很直觀，我“照虎畫貓”做了一個思維導圖如下：

理論上Supervised Learning分支下的內容都可以放在其他Learning Map大類下。

1. Supervised Learning

所謂監督學習，就是我們告訴機器說，當這個function看到某種input則輸出a，看到另一種input輸出b，看到……

Supervised Learning-> Regression

Regresion： The output of the target founction f is ‘scalar’.
如果我們在機器學習中要找的function輸出是數值，

舉個例子： 預測PM2.5進行天氣預報。

核心思想就是：連續函式下進行預測。

Supervised Learning-> Classification

分類問題有兩種可能，Binary Classification 輸出是或否，Multi-class
Classification輸出多個型別。

舉個例子：

Binary Classification： Spam filtering（垃圾郵件過濾），判斷是垃圾郵件，不是垃圾郵件。

Multi-classification： Document
Classification（檔案分類），將檔案分為政治、經濟、體育等多個大類。

Classification-> Linear Model 與 Non-Linear Model

Linear Model : 能做的事有限，一些簡單的模型可以用它來做，但遇到複雜問題就力不從心了。

Non-linear Model : For example，現在的深度學習就是一個Non-linear Model，能完成一些很複雜的工作，比如影象分類等。

• Classification-Image Recognition：輸入一個圖片，通過一個很複雜的卷積神經網路（CNN）的Function判斷是貓是狗還是猴子，每個可能的物種是class。

  

• Classification-Playing Go：輸入棋盤上的局勢，判斷下一個落子的位置，每一個可能的落子位置就是一個class。

  

Structuerd Learning

在實際運用中，常常會遇到Beyond
Classification的情況，比如語音識別，人臉識別，語言翻譯等，是結構化輸出。此類問題常配合Reinforcement
Learning 解決。

2. Semi-supervised Learning

example：要建立一個辨識貓與狗的系統，手上有一部分Labelled
data（已經標記好的貓狗圖片），和一部分Unlabeled data（未做過標記的貓狗圖片），那麼Semi-supervised
Learning做的就是利用Unlabeled data優化function，也常用於資料不足時進行學習。

3. Transfer Learning

example：還是建立辨識貓與狗的系統，手上有一部分Labelled data（已經標記好的貓狗圖片），和另一部分與貓狗沒有關係的圖片（比如獅子老虎，標未標記都可），那麼Transfer
Learning就是利用這些data優化function。

4. Unsupervised Learning

example1： 要讓機器學會閱讀，希望機器自己在網路上爬去很多文章，自己理解其中的意思，進而取得人類的一些理解，掌握閱讀的技巧，這就是非監督學習要做的。

我們知道，做machine
Learning就是要找一個function。比如在學會閱讀這個系統裡，我們給系統input一個“apple”詞彙，然後讓機器看懂。在Unsupervised
Learning 中沒有人告訴機器每個詞彙表示什麼意思，只有大量text餵給機器。

example2：要讓機器學會自主繪畫，我們只給機器呈現顯示世界中的景象並不做標識，機器要從中提煉繪畫風格與內容，學會通過作畫表達自己。

4. Reinforcement Learning

在實際運用中，以上方法並不能解決全部問題，常常會遇到Beyond
Classification的情況，比如語音識別，人臉識別，語言翻譯等，那麼就要通過增強學習來解決問題。

增強學習的一個非常知名的應用就是 google 阿法狗。

Reinforcement Learning VS Supervised

增強學習與監督學習有什麼區別呢？
example1：用一個語音識別的例子來解釋：

Supervised 就像給了機器一個點讀機，他聽到一句話時可以看到其含義，每一句話都有標籤，就像有一個手把手教他的老師。

而Reinforcement Learning
就像跟女朋友對話，反覆講來回講很多句話，直到女朋友覺得你無言以對憤然離去，機器唯一可以知道的就是他做的好還是不好，除此之外沒有任何information。而這更像人類現實生活中的學習過程，必須自己像哪裡做得好做得不夠好，怎麼修正。

另一個例子，下圍棋。

example2：

supervised： 給機器一堆棋譜，告訴機器，情況a則落子在“5-5”處，情況b則落子在……

Reinforcement Learning:
讓機器自己下棋，下過幾百手之後，機器只知道自己贏了還是輸了，下的好還是不好，機器必須自己想辦法做提高。

Alpha Go is supervised learning + reinforcement learning.

學習導圖總結

有一個非常重要的資訊是每一個框的顏色。

• 藍色部分代表scenario，意思是你現在有什麼型別的 training data。

• 紅色部分代表task，意思是現在function的output是什麼，只體現在supervised中，但其實可以插在以上五種Learning的每一種內。

• 綠色部分代表Method方法模型，比如在Classification中有Linear模型 or Non-linear模型，我們可以將綠色部分插入任何紅色部分中。