machine learning 概览

machine learning是一个很大的理论体系，目前分为下面几类：

learning map

  这里重点学习supervised learning，特点是训练集会附带label（正确的结果），模型会根据output与label比较，来不断调整自我调整。其中regression的output是scale（值）；classification的output是class；structured learning的output远高级于前两者，比如语音识别的output是一段文字，人脸识别的output是一个人的信息等等类似这些复杂的output。

  但是在现实场景中，很难搜集到大量的标有label的data set，这时我们一般采用semi-supervised learning。即data中既有labeled又有unlabeled。
  如果data set中既有labeled又有unlabeled，并且还有not related to the task的data，这里引入了Transfer Learning。
  而unsupervised learning就更厉害了，直接扔给machine一堆data，让machine自己去“读”，我个人理解为，给我（机器）一千本小说看，看完后我（机器）自己也可以写出一本小说。。。
  最后一个reinforcement learning，是不会给机器的output一个确切的对错，而是给它一个分值，类似一个赏罚制度，machine在learning的过程中，output出了不错的结果时，会得到奖励，坏的结果会得到惩罚，久而久之，machine就根据这个来调整model。大热的阿尔法GO就是加入了reinforcement learning，DOTA2的openAI好像也是。