1:15:20
目录
机器学习
类比跳棋游戏，理解机器学习的概念：很多人坐在电脑旁玩游戏或跳棋好几天，这就是经验E；任务T是指下跳棋的任务；性能度量P可能是指在与下一个对手下棋时/在下一场跳棋中获胜的机会是多少？
监督学习
目前，监督学习是机器学习中最常使用的工具，在监督学习问题中，有一个这样的数据集，来找到从X到Y的关系映射，（房价例子），监督学习提供一个数据集，输入X和标签Y，目标：学习从X到Y的映射，找到一条直线去拟合数据可能是最简单的方法。我们有很多方法可以学习从输入大小到估计价格的函数映射，可以拟合一个二次函数，也许这实际上更适合数据。
回归Regression
房价问题中，回归方法尝试预测的值Y是连续的。
分类Classification
再比如，我们试图判断邮件信箱中是对我们有用的邮件还是垃圾邮件，这是一个分类问题，分类问题中的Y是具有离散属性的变量。在肿瘤良性或者恶性分类问题中，我们并不仅仅通过肿瘤大小来预测，我们可能会使用两个特征，第一个是肿瘤大小，第二个是患者的年龄，并获得一个数据集。
车道神经网络——双车道神经网络
机器学习策略/机器学习理论
如何高效学习？如何制定战略？
机器学习
机器学习的一个子集发展的十分迅速，那就是深度学习。
无监督学习
提供一个没有标签的数据集，只给了输入X而没有Y。
强化学习
不断与外界环境交互，从经验中积累学习。强化学习是第一个严格意义上的解决从环境互动中学习以达到长期目标这一计算问题的领域。
总结
介绍machine learning 的含义，以及其主要分类，监督学习supervised learning（有指定的输入和输出，学习如何关联两者/函数的映射关系），无监督学习unsupervised learning（在含有特征的数据中找出有用的结构，没有指定寻找的目标/无标签），reinforcement learning（强化学习，不断与外界环境交互，从经验中积累学习）。
https://www.bilibili.com/video/BV1Et4y1U7WB?p=1
（2023年 2月28日 20:50首次发布）
