李弘毅機器學習路線圖

機器學習的目標就是求一個從輸入到輸出的函數（Function）

---

• 迴歸（regression）：它的輸出是一個數值
• 分類（classification）
  
  • 二分類（binary classification）
    
    • 例子：垃圾郵件分類（spam filtering）
  • 多分類（multi-class classification）
    
    • 例子：文檔分類（document classification）

---

迴歸和分類都屬於監督學習（supervised learning），所謂監督學習就是訓練集的數據含有標籤。

分類問題中求解函數時，需要建立相應的模型。包含線性模型（linear model）和非線性模型（non-linear model）。對於比較複雜的問題（圖像識別、下圍棋等），一般用非線性模型。

注：圖像識別一般用卷積神經網絡（convolutional neutral network），簡稱CNN。

非線性模型包含深度學習（deep learning）、支持向量機（SVM）、決策樹（decision tree）、kNN等。

半監督學習（semi-supervised learning）：訓練集有的有標籤，有的沒有標籤。

遷移學習（transfer learning）：有些和識別任務無關的訓練集，這些訓練集有的有標籤，有的沒有標籤。

非監督學習（unsupervised learning）：訓練集只有輸入或者只有輸出

結構化學習（structured learning）：語音識別、機器翻譯、人臉識別

強化學習（reinforcement learning）：learning from critics

Alpha Go：監督學習和強化學習的結合