ML 0-1
Machine Learning(Hung-yi Lee,NTU)：https://www.youtube.com/watch?v=CXgbekl66jc&list=PLJV_el3uVTsPy9oCRY30oBPNLCo89yu49&ab_channel=Hung-yiLee

Framework

A set of function -> Model：
準備一個function set，裡面有一系列的成千上萬的function。
f1(貓的圖片)=”cat” f2(狗的圖片)=”Dog” f3(…)=”…”
Training Data:
告訴機器一個好的function，輸入輸出應該是什麼樣的。讓機器根據訓練資料判斷一個function的好壞。
Goodness of function f:
去找出一個最好的Function，Using f（這個f是個最好的function）。

Scenario

Supervised Learning 監督學習
機器有老師，老師會告訴它答案。
需要大量輸入/輸出成對的訓練資料。output我們也常稱為label。Output我們有時候往往需要人工標記出來。
Semi-supervised Learning 半監督學習
有少量貓和狗的圖片
沒有Label的圖片：我有一大堆貓和狗的圖片但是我沒有力氣告訴機器什麼是貓什麼是狗。
Transfer Learning 遷移學習
少量貓和狗的圖片。
但我有一大堆無關的，不是貓和狗的圖片，可能有label，有的也沒有label。
Unsupervised Learning 非監督學習
機器看過大量的文章後到底可以學到什麼事情。
Function輸入不知道是什麼，可能output可以定義是什麼。
帶機器去動物園看一大堆動物，他是不是可以自己創造出一些動物哈哈哈
Structured Learning 結构式學習
要機器輸出有結構性的問題。
例如：語音辨識（有語法的句子，是有結構的）、中英翻譯、人臉辨識（標註出人臉及名字）。
Reinforcement Learning 增強式學習
它沒有老師，你要自己去找自己哪裡好還是不好。
例如：阿法狗。
沒有告訴機器正確的答案是什麼，機器只擁有一個分數，去判斷他做得好還是不好。他知道自己做的不好，但是不知道哪裡不好，它必須自己去想到底是哪裡做錯了。

Task

你要去解決哪些問題？

Method

同樣的task可以用不同的method解決。