什么是机器学习
机器学习就是自动找一个函数关系式
Speech Recognition
Image Recognition
Playing Go
Dialogue System
机器学习的第一步
你自己想要找什么样的函数关系式
Regression: 现在要找的函数的输出是一个数值。
- 作业1，预测未来某个时刻的PM2.5，输出值是一个scalar
Binary Classification: 输出只有两个可能，Yes or No。
- 作业 RNN，输入句子，输出句子是正面的还是负面的。
Multi-class Classification: 让机器来做选择题，选出正确的。
- 作业 CNN，输入图片，选出这个图片对应的种类
但是机器学习不只有Regression 和 Classification。
其他的种类被称为Generation（生成）
产生有结构的复杂产物
- Generation：GAN
- 让机器画图
怎么告诉机器，你想要找什么样的函数关系式
Supervised Learning：最为常见的，比如知道输入是一张图片，输出是该图片的类别。
给定一些图片，把理想的图片规定为哪一种类，这一过程称为Label
评估这个函数关系式的好坏，也就是Loss，给定几张来用某一函式来评价对错，并计算错误率，该错误率称为Loss，Loss越小越好。
Reinfocement Learning：以围棋为例。
Supervised：给机器一个input，告诉理想的是什么样的，然后输出下一步最应该落子的位置在哪里
Reinforcement Learning: 让机器和其他人去下，赢了或输了让机器自己分析，赢了或者输了就叫做Reward，Alpha Go is supervised learning + reinforcement learning
机器怎么实际找出想要找出的函数式呢
给定函数式寻找范围 Network Architecture
RNN
CNN
怎么从范围中找出最好的函数式呢？Deep Learning Framework
- Gradient Descent
前沿研究
Expainable AI：以认猫为例，如何告诉用户是一只猫的理由是什么？
- CNN required
Adversarial Attack：假设辨识非常强了，用户怀恶意去特意攻击这个函数式，会发生什么？
Network Compression：如何将硕大的Network缩小，比如移植到手机上
Anormaly Detection：如果输入了错误的数据，会发生什么。如何让机器知道他不认识这个错误的数据
Transfer Learning （Domain Adversarial Learning），输入数据时输入了不同类型的数据，比如正常是灰度的数字，而实际上却输入了彩色的数字。即，如何在输入数据和测试数据不同的时候，仍然能够让机器学到东西
Meta Learning：比机器学习更进一步，机器是让机器具有学习的能力。Meta Learning则令机器具有了学习如何学习的能力。因为先在的学习效率很低，需要有更好的学习效果。
Life-long learning：让机器一连串的任务，终生不断学习。又称为Continuous Learning或者Never Ending Learning
General Regulations
Environment
- 建议用Linux或macOS
- python 3.6.8
- Pyenv
Kaggle：是一个庞大的资料科学社群，上面有各种资料分析的竞赛。
Github
git config --global user.name "name" # 设置用户名
git config --global user.email "name@gmail.com"
git config --list # 检查是否设定完成
git init
git add example.sh # 将特定档案加入追踪
git add --all
git rm --cache train.csv
git commit -m "Description"
git remote add origin http://... # 与Github地址连起来
git push -u origin