李宏毅机器学习笔记——基本概念

李宏毅机器学习笔记——基本概念

一句话描述机器学习：让机器具备一个函式的能力。
Machine Learning约等于Looking for Function。
应用：在speech recognition中识别语言，在image recognition中识别图片中动物，在playing go中识别下一步落子。

机器学习任务：regression，classification，structured learning
regression回归分析：找到一个函数 function,通过输入特征 x ,输出一个数值Scalar。
classification分类问题：找一个函数判断输入数据所属的类别。
应用：邮箱官方侦测垃圾邮件。
structured learning结构学习：输入和输出都是具有结构化的对象（数列、列表、树、边界框等）。
应用：找函数，输入账号信息，输出未来一天的总观看次数。
model模型：带有未知参数的函数y叫做模型。已知参数是特征feature。

机器学习步骤

1.带未知参数的函数
y=b+wx₁，y是模型，x₁是特征，b是bias偏差，w是weight。

2.从训练数据中定义损失函数Define Loss from Training Data
Loss:损失函数，判断输入的未知参数与最优解的误差。
预测数值y与Label真实数值y′比对。
损失值L=(1/n)∑en
L越小越好。
平均绝对误差mean absolute error(MAE)
e=|y-y′|
均方误差mean square error(MSE)
e=(y-y′)²

3.最佳化

指的是当L得最小值时对应w、b的值。
梯度下降法gradient descent 误差曲面error surface：L与未知参数的坐标系。


自设的学习速率*斜率，决定参数update速率。
机器学习中需要自己设定的东西叫超参数hyperparameters

局部最优解和全局最优解

线性模型linear model
有严重的限制，太简易了，有Model Bias模型偏差
例如这种情况：

分段线性曲线piecewise linear curve，用下面red curve表示。
蓝色function特性是：当输入的x值小于threshold，是某一个定值，大于另一个threshold时是另一个定值，中间有一段斜坡。

转折点横坐标都是对应的。
red curve越复杂，需要的蓝色function越多。
如果曲线圆滑，则找特殊点，连起来，用分段线性曲线分析。
用S型函数sigmoid function表示蓝色函数：

通过调整c、b、w使sigmoid function逼近蓝色函数：

用s型函数表示分段线性曲线red curve：
单feature

再结合多feature公式

因此最终表示：

或者线性代数（矩阵）方法表示：

optimization of new model：
计算出最优的θ*（读作si ta sa），θ是对所有未知参数的统称，N笔数据分成多批，每批B笔，每批算一个Loss。

蓝色函数另一种表示方法
Rectified Linear Unit(ReLU，读作rei lu)。
蓝色函数可看做连个ReLU的加总：

ReLU和Sigmoid两种表示统称为Activation function，其中ReLU更好。
Sigmoid转ReLU:

Deep Learning
上面激活函数可以表示成：

过拟合Overfitting
层数变多，训练资料变好，但预测资料变坏。
例如：

机器学习步骤总结

model如果太simple，就Model Bias，导致大海无针捞针。
model要更d性more flexible，more features
区分模型偏差和最优化问题：
如果层数变多，训练测试L都变大，那就是最优化问题。
最优化成功的话，一定layer越大，Loss越小。
解决最优化问题
先跑更容易最优化的小layer。
解决overfitting
或者增加training data（不建议，浪费时间）
或data augmentation创造新的资料，例如图片左右翻转。
或根据理解给model加constrain，比如限制成一元二次方程曲线。

解决问题