知乎上找到蛮多人推荐的一门机器学习的入门课程，台大NTU李宏毅教授开的课程，公开材料点这里  ，听了油管上的第一讲，还是非常喜欢他的授课风格，很接地气，会用凉宫春日、口袋妖怪等耳目能详的内容来举例。PPT90%是英文的，讲的是中文，便于我中英文结合，以后直接看英文资料也不会被一堆术语搞懵。我把认为的关键点记录下来，借用欧神的编号规则，AI学习系列=A，0010 = 第1篇。AI小白一名，主要写给自己看，�对这个领域的认知很粗浅，理解也一定有偏差。另外欢迎小伙伴加入一起学习。

---

ML Lecture 0-1:Introduction of Machine Learning

主要讲什么是人工智能，什么是机器学习，他们有什么关系，本课程会学到哪些知识要点。

AI的目的是用机器代替人类进行认知、识别、分析、决策

三者关系

人工智能，顾名思义就是能够像人一样思考，具有智慧的创造物。目前的AI技术只能达到弱人工智能的水平，即没有自主意识，能根据对环境的感知，做出合理的行动，并获得最大收益。

既然是拟人，就像是教小孩子学习一样，AI需要掌握学习的能力，这就是机器学习。机器可以根据我们给出的数据(Input)，来寻找最佳的函数(Function)，最后根据最佳处理方式来做出各种判断(Output)。

比如我们给机器看很多猫的图片，告诉它这张图是猫，那张图也是猫。然后再给一张图，机器就能分辨这是不是猫。

机器学习框架有两个阶段，学习与测试，以图像识别猫为例

训练第一步：设定学习模型

训练第二步：衡量函数好坏

训练第三步：找出最好的函数

测试：用最好的函数测试新的数据

需要了解的知识点概要

本课程的知识地图

一、机器学习的场景(Scenario)

机器学习的场景可划分为监督学习(Supervised)、半监督学习(Semi-supervised)、迁移学习(Transfer)、非监督学习(Unsupervised)和强化学习(Reinforcement)

监督学习：用标记(label)过的数据来学习，人类老师给机器看了10000张图片，并且告诉它每一张图片分别是什么东西。监督学习的问题是需要大量人力做数据标记。

半监督学习：用少量标记过的数据(labelled data)和其他未标记的数据(unlabelled data)。比如想要机器能分辨图片里是猫还是狗，就给100张标记为猫的图片，100张标记为狗的图片，还有10000张没有标记的猫和狗的图片，两者结合后自动学习。

迁移学习：与半监督学习不同之处在于，10000张没有标记的图片可与任务目标无关，比如放入了一些人的图片。

非监督学习：只提供未标记的数据，让机器无师自通。

强化学习：更符合真实学习方式，通过评价反馈，告诉机器它的判断是好的，还是不好的。

那么多学习场景，我究竟该如何选择呢？

根据自己能获得的数据。如果数据都能标记，那自然是用监督学习啊！

---

二、机器学习解决的问题(Task)

这里的问题有几种类型：回归问题(Regression)，分类问题(Classification)，结构化问题(Structured Learning)。

回归概念来自统计学，用于寻找两种或以上的变量之间的定量关系。回归用于输出一个数值(scalar)，比如根据历史PM2.5数据，预测明天上午PM2.5的数值。

分类用于判断归属，可分为二元分类(Binary Classification)和多元分类(Multi-class Classification)。二元分类判断是与否，如是否为垃圾邮件。多元分类从多种分类选择出正确，如判断文章是体育的、还是政治的、还是经济的、或多种类别组合。又如下围棋的程序，每一步都是从19*19个选项中找出最佳的落子点。

结构化问题，除了回归和分类以外，还有更多实际场景要求机器学习能够输出更为复杂的结果，如声音识别、机器翻译、人脸辨识等。

三、机器学习的方法(Method)

方法就是各种算法，可以分为线性(Linear)与非线性(Non-linear)，即输出结果为连续或者离散的。图中提到的deep Learning, SVM, decision tree, kNN是不同的算法，有各种优缺点和适用场景，会在以后的课程里逐一介绍。

---

39分钟的第一课视频，没有讲到技术实现，没有复杂的数学公式，但也花了差不多一个下午的时间，反反复复地听，尝试关联自己的知识trunk，最后输出本篇简文，估摸着不久后，我会来修订文中的各种错误吧:)。

加油！