Machine Learning 總整理
1102 機器學習
這篇文章是學習時整理的一些筆記，讓自己複習時方便，文章部分內容為上課之內容及閱讀清單之整理
Introduction
Learning is to find a function
機器學習最終的目的就是要找到那個函式，讓我們把x丟入函式後可以得到理想中的y
而我們要怎麼找到那個函式，就是要去學習
我們可以使用大量的資料和演算法來訓練機器，讓他學習如何執行任務
有很多學習的方法可以幫助我們找到那個函式
Every machine learning algorithm has three components:
– Representation
– Evaluation
– Optimization
Representation
Representation指的是架構、模型
例如：Decision tree, graphical model, neural network, SVM…等等
Evaluation
Evaluation指的是衡量這個架構好壞的方法
例如：Accuracy, precision, recall, entropy…等等
Optimization
在訓練過程中的最佳化方法
- Combinatorial optimization
– E.g.: Greedy search - Convex optimization
– E.g.: Gradient descent - Constrained optimization
– E.g.: Linear programming
Learning Way
在開始之前，可以先了解一下機器學習的方法有哪些～
文章： 機器學習的四種方式 - 監督、非監督、半監督、強化式
連結：https://essen900718.github.io/2022/04/06/ml/learningway/
Algorithm
總結來說，機器學習的演算法大致可以分為以下幾類：
| 種類 | 解決問題類型 | 欲求 |
|---|---|---|
| 迴歸算法 | 是多少 | 期望得出一個數值 |
| 分類算法 | 是什麼 | 期望得出一個分類 是狗？是貓？ |
| 聚類算法 | 怎麼分 | 期望特徵相似樣本在一群 得知怎麼分類資料 |
| 強化學習 | 怎麼做 | 期望得知當前狀態該如何動作可以得到最大回報 |
我們可以依據我們想解決的問題去挑選我們要用什麼方法
Regression
文章： Regression 文章筆記整理
連結：https://essen900718.github.io/2022/04/06/ml/linear/
Classification
文章： Classification 文章筆記整理 - ft. Decision Tree, Random Forest, SVM
連結：https://essen900718.github.io/2022/04/08/ml/classification/
Clustering
文章： Clustering 文章筆記整理 - ft. k-means, k-medioids, hierarchical clustering, density based clustering(DBSCAN)
連結：https://essen900718.github.io/2022/04/09/ml/clustering/
Reinforcement learning
(哎呀暫時沒有這篇文章哈哈)
