机器学习是什么
机器学习就是让机器能自动找到一个函数（function）
语音识别（Speech Recognition）
输入是音频，输出是音频对应的文字。
图像分类
输入是图片，输出是类别（比如猫、狗）。
AlphaGo下围棋
输入是当前棋盘的状态，输出是下一步落棋的位置。
对话/问答系统
机器能够找到哪些函数？为解决不同的问题、完成不同的任务，需要找到不同的函数，那机器学习能找到哪些函数呢？
回归（Regression）
输出是一个连续的数值、标量，比如PM2.5预测。
分类（Classification）
输出是一个离散的值。
二分类（Binary Classification）的输出就是0或1、Yes或No、…，比如文本情感分析的输出可以是正面和负面。
多分类（Multi-Category Classification）的输出就是[1,2,3,...,N]，比如图像分类里判断一张图片是猫还是狗还是杯子。
生成（Generation）
很多教科书把机器学习划分为回归问题和分类问题，但其实不止这两种问题，还有其它问题，比如生成（Generation）。
生成（Generation）指让机器学习如何创造/生成，比如生成文本、图片等。
如何告诉机器我们希望找到什么函数我们该如何为机器提供学习资料？
有监督学习（Supervised Learning）
可以把有监督学习中的“监督”理解为“标签（Label）”，即数据集中不仅包括特征还包括标签。
有了标签，我们就可以评价一个函数的好坏，进而优化这个函数。
使用Loss判断函数的好坏，Loss越小，函数越好。个人想法：值得一提的是，Loss/评价指标是多样的、优化方法也是多样的。
强化学习（Reinforcement Learning）
原始的AlpahGo是先通过有监督学习优化到一定程度，然后用强化学习继续优化。
新版本的AlphaGo是完全通过强化学习实现的，优于原始的AlphaGo。
无监督学习（Unsupervised Learning）
只给机器提供数据特征，但不提供数据标签。那机器能学到什么呢？
下面以让机器学习下围棋为例：有监督学习VS强化学习。
有监督学习
函数的输入（数据特征）就是棋盘状态，函数的输出（数据标签）就是下一步落棋的位置。
此时，我们需要为机器提供的数据就类似棋谱（如果现在棋局是这样，那下一步怎么落棋最好），但其实人类不一定知道怎么落棋最好。
个人想法：理论上，通过这样的有监督学习，机器是无法超越人类的。因为这样的有监督学习的本质是人类把自己的下棋策略教给机器，机器学习的内容仅仅是人类的下棋策略而无法“自主进行思考”，所以理论上机器是无法超越人类的。同时要注意，这里的人类指全人类。
强化学习
让机器跟自己、别人下棋，把结果（赢或输）作为Reward，引导机器学习如何下棋。
如果它赢了，那它就知道这一盘里有几步棋下得好，但不知道是哪几步；如果它输了，它就知道这一盘里有几步棋下得不好，但不知道是哪几步。
个人想法：理论上，通过这样的强化学习，机器是可以超过人类的。因为两者的学习材料没有本质区别，但机器的机能却优于人类，这里讲的机能包括信息共享能力、记忆能力、执行能力等方面
机器如何找出我们想找到的函数
我们要给定函数形式/范围（模型）
比如假定函数是线性模型、神经网络等等。模型就是一个函数集，模型的参数确定以后，才得到一个函数。
找到更好的函数：
使用梯度下降（Gradient Descent），找到更好的函数。
前沿研究
AI的可解释性（Explainable AI）
比如，机器为什么认为这张图片里有一只猫？
对抗攻击（Adversarial Attack）
对输入故意添加一些人无法察觉的细微的干扰，导致模型以高置信度给出一个错误的输出。
模型压缩（Network Compression）
把模型压缩以减少模型对计算资源消耗。
异常检测（Anomaly Detection）
使机器知道它遇到了自己不知道的东西。
迁移学习（Transfer Learning/Domain Adversarial Learning）
一个模型已经学到了一些知识，将这些知识应用到另一个任务中。
元学习（Meta Learning）
让机器学习如何学习。
机器学习是我们教机器学习某种知识，元学习是我们教机器如何学习。
终身学习（Life-Long Learning）
让机器终身学习，学习完任务1、再继续学任务2、……
机器学习的三个步骤确定模型（Model）/函数集（Function Set）
确定如何评价函数的好坏
确定如何找到最好的函数
Github（github.com）：@chouxianyu
Github Pages（github.io）：@臭咸鱼
知乎（zhihu.com）：@臭咸鱼
博客园（cnblogs.com）：@臭咸鱼
B站（bilibili.com）：@绝版臭咸鱼
微信公众号（WeChat Official Accounts）：@臭咸鱼的快乐生活