實際機器學習就是在尋找乙個function函式
比如語音識別
比如影象識別 等等
由此可以將整個機器學習可以分成的步驟
classification（分類）
多層次分類舉例：文件分類
上面講的都是我們讓機器解的task任務
接下來要講的就是在解任務的過程中，第一步就是要選乙個function set，選不同的function set就會得到不同的結果，選不同的function set就是選不同的model，model有很多種，最簡單的就是linear model（線性模型），我們會花很多時間在**non-linear model（非線性模型）**上，在非線性模型裡面，最常見的就是deep learning（深度學習），在我們深度學習中，我們的function是特別複雜的，阿爾法狗下圍棋用得就是深度學習，他輸入的是棋盤，輸出的就是下一步落棋子的位置。當然除了深度學習，我們還要學習svm。
那剛剛講的都是supervised learning（監督式學習），他的問題就是我們需要大量的training data訓練資料。我們要找的data中，我們要確認input/output間的關係，function的output輸出我們一般都叫做label。
也就是說，我們要機器在supervised learning（監督學習）的場景下學習，我們需要告訴機器function的input和output是什麼，而output沒有辦法用很自然的方式取得，我們必須要憑著人工的力量標註出來，function的output叫做labe，我們大量的需要這個label。那有沒有辦法來減少我們需要的量呢？有的比如另外乙個場景（semi-supervised learning半監督式學習）
semi-supervised learning（半監督式學習）
更高階的就是unsupervised learning（無監督式學習）
不同的scenario場景由你手上的data來決定你的scenario場景，紅色task任務代表你要解決的問題，你要解得這個問題隨著你要找的function的output不同有regression回歸，有classification分類，有structured learning結構化學習，所以在不同的場景下，都有可能要解這些task任務，在每個場景下都需要解。而在這些task裡都有不同的model不同的方法，用綠色來表示，意思是說同樣的task可以用不同的方法來解。
機器學習筆記01 機器學習簡介
機器學習是人工智慧的乙個分支，它業是一類演算法的總稱。這些演算法能夠根據提供的訓練資料按照一定的方式來學習，最終用於 或者分類。更具體的說，機器學習可以看作是尋找乙個函式，輸入是樣本資料，輸出是期望的結果，只是這個函式過於複雜，以至於不太方便形式化表達。需要注意的是，機器學習的目標是使學到的函式很好...
01 機器學習簡介
1.課程介紹 人工智慧 機器學習 神經網路 深度學習 2.機器學習 machine learning,ml 2.1 概念 多領域交叉學科，涉及概率論 統計學 逼近論 凸分析 演算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改...
機器學習 第一課01筆記
老師給出了房價與房子面積 臥室數量的一組實際樣本。目的是讓監督學習演算法 給定的一組資料 size,benrooms 輸出y為房子對應房價。線性回歸 給定乙個 函式 引數 既我們現在需要演算法最終確定的值 目前理解 那麼我們如何選擇引數的值？為了讓h x 逼近給定的樣本y，定義乙個cost func...