机器学习≈机器自动寻找一个函数
根据函数输出分类
- 回归（Regression）：函数的输出是一个数值；
- 分类（Classification）：函数的输出是一个类别（选择题）；
- Structure Learning（Generative Learning 生成式学习）：生成有结构的物件；
找出函数
前置步骤：首先根据需求弄明白需要什么样的函数，与技术无关
屏幕截图 2023-08-12 190917.png
再根据以下三个步骤进行：
屏幕截图 2023-08-12 185442.png
1. 设定范围：设定候选函数的集合（该集合即为Model）
- 深度学习中类神经网络的结构，其实就是不同的候选函数的集合，如：RNN、Transformer、CNN等
为何类神经网络结构即为候选函数集合-课程-李宏毅
关于选择候选函数的范围划定
屏幕截图 2023-08-12 190603.png
屏幕截图 2023-08-12 190652.png
CNN课程
Self-attention课程
2. 设定标准：制定一个“评判函数优劣”的标准（该标准即为Loss，与该标准下函数的好坏呈负相关）
- 通过Supervised Learning，即寻求专业的专家来提供一个标准答案；
-
Loss Function接收之前函数生成的数据来计算Loss的值，即求出误差值；
屏幕截图 2023-08-12 183448.png - 在部分样本没有专家给出一些样本的标准答案时，我们要自己设定一些标准；例如图中说明“长得像”的Pokemon有一样的战斗力，然后按照此标准调整函数，使其Loss值尽可能小；
屏幕截图 2023-08-12 184042.png
屏幕截图 2023-08-12 190211.png
3. 完成目标：根据Loss找出最佳的函数（又称为：Optimization 最佳化）
如何在众多候选函数中高效找出最佳函数-Gradient Descent
如何在众多候选函数中高效找出最佳函数-Backpropagation
屏幕截图 2023-08-12 190000.png
