课堂笔记 - 深度学习 Deep Learning (3)

简单了解前导知识后就是正式进入机器学习的几种模式>>

1.Supervised Learning：Training data with output labels.
训练机器学习时提供正确答案，依照输出的资料类型分为两种：
Classification: output labels are categories values.
Regression: output labels are numeric values.

2.Unsupervised Learning：Training data without output labels.
不提供正确答案，将资料进行分组：Clustering (grouping similar instances).

3.Reinforcement Learning：Training algorithms receive no supervised output labels but use delayed reward and punishment to learn best actions.
不提供正确解答，但是将依照成果给予奖励或惩罚，以此来让机器学习。

表格化介绍以上三种学习模式：

组成机器学习的元素：输入、输出、目标函式、资料、假设(Hypothesis)

举例来说，如果要利用收入和储蓄的数据来看是否核发信用卡的话：
输入：收入、储蓄 X[x1,x2]
输出：是/否 (y)
目标函式：f(X)=y
资料：以前的数据(X1,y1)、(X2,y2)...(Xn,yn)
假设函式：g(X)=y

机器学习的目的是找到假设的函式使它趋近于未知的目标函式，
于是先以现有的资料代入演算法A，得出假设的函式后再预测输入值H的输出为何。

可以得知组成一个学习模型的两个要素：完成学习的演算法A和待预测的输入值H。

学习模型也分为训练阶段和测试阶段：

学习模型因为演算法的不同所以可以分为很多种，介绍三个较为常见的Model类别：

1.Linear Model，演算法：如PLA (线性分类)

2.Rule-Based Model ，演算法：如ID3 (有规则可循)

3.Instance-Based Model，演算法：如1NN (看邻居答案之后照抄)


注意:在查询之前资料会一直放在序列中等待，是一个懒惰的演算法