前言
今天在2018 Google IO的第一天,Google发布了一系列产品.从各个方面来说遵循了公司的战略:”AI first”.没错”AI first”,作为科技工作者,拥抱变化,拥抱科技是我们一直以来的追求.我学习机器学习也有一段时间了,现在有了自己的博客,我把自己的学习过程重新记录下来, 并结合一些经典的教程,希望帮助那些还未接触到机器学习的朋友,少走弯路.
什么是机器学习?
在这个数据爆炸的时代,我们生活中充满了各种数据.那么我们能够从这些数据中提取出特定模型,然后满足人们特定的要求吗?没错,这其实就是机器学习要解决的问题.
从这张图,我们更加明白,其实机器学习相当于在茫茫的数据中找到一个方法能够满足我们的需求.
- 我们要从众多的声音轨道中识别出”How are you”;
- 我们要从众多的图像中识别出这是一只猫;
- 我们要让机器能够会下围棋;
- 我们能够和机器进行对话;
以上这些都是机器学习的场景.
我们来总结一下,机器学习怎么做?
根据上面的经验我们很容易发现机器学习真正的就是3个步骤:
- 设置一个方法模型,以满足我们的要求;
- 找到最佳的方法模型,尽量满足我们的数据;
- 通过大量的数据训练,不断完善我们的最佳方法模型;
怎么样,是不是很通俗易懂?
我们将怎么样来玩机器学习?
我会尽量的白话文的方式来叙述相关概念.
Supervised Learning(监督学习)
- 如果我们有结构化的标记数据,我们需要机器帮我们判断出某张图片到底是不是猫.这样一个典型的问题就是我们常说的Binary Classification;
- 如果我们有结构化的标记数据,我们需要机器帮我们判断出某张图片是猫,是狗,还是XXX.这样的问题就是我们所说的Multi-class Classification;
Unsupervised Learning(非监督学习)
- 如果我们没有标记数据,需要机器帮我们找出这一堆数据中内在结构.
Semi-supervised Learning(半监督学习)
- 如果我们有部分数据被标识,部分没有被标识.我们通过这种模型来进行预测,但是模型首先书小学习数据的内在结构以便进行预测.
Transfer Learning(迁移学习)
- 就是把我们已经学习好的模型来帮助新模型训练.
Reinforcement Learning(强化学习)
-
强化学习采用的是边获取样例边学习的方式,在获得样例之后更新自己的模型,利用当前的模型来指导下一步的行动,下一步的行动获得reward之后再更新模型,不断迭代重复直到模型收敛;
- Alpha Go is supervised learning + reinforcement learning.
我们需要做什么?
- 需要挑选合适的model, loss function;
- 不同 model, loss function 适合解决不同的问题;
以上就是我对机器学习一些基本概念的理解和解释,比较通俗,比较浅层次,希望阅读本文的朋友有所收获.涉及到相关深度内容我会在后面的章节逐步的说明.
强大的AI,AI训练师功不可沒; 让我们一起朝着神奇宝贝训练师(AI训练师)之路迈进吧!
