P1 机器学习介绍
本笔记主要是参加DataWhale组织的8月李宏毅《深度学习》入门，本人有一定的基础，参加的目的是夯实基础，跟各位大佬交流学习，也是敦促自己学习。少说废话直入正题。
第一小节主要是介绍性内容，重点讲解了有监督学习、无监督学习、半监督学习、迁移学习、强化学习基本概念，以及在各领域的运用和面临的挑战。如图所示：
基本概念
有监督学习：已知数据和其一一对应的标签，用这些带有标签的数据训练一个模型，通过该模型将输入数据映射到标签的过程。比如：一些图片是猫，一些图片不是猫，先训练一个算法（模型），当输入新输入一张图片时模型告诉我们这张图片是不是猫。
无监督学习：一直的数据没有标签，设计一个模型，让模型自己寻找彼此间的联系，最终将所有数据映射到多个不同标签的过程。相对于有监督学习，无监督学习是一类比较困难的问题，但却是现实中最常见的问题，也是AI未来趋势。
半监督学习：已知数据和部分一一对应的标签，有一部分数据的标签未知，训练一个模型，学习已知标签和未知标签的数据，将输入数据映射到标签的过程。半监督相当于有监督学习与无监督学习的折衷方法。
迁移学习：神经网络需要用数据来训练，它从数据中获得信息，进而把它们转换成相应的权重。这些权重能够被提取出来，迁移到其他的神经网络中，我们“迁移”了这些学来的特征，就不需要从零开始训练一个神经网络了 。针对训练数据集小，防止过拟合使用。运用迁移学习需要注意如下几个场景：
1）新数据集比较小且和原数据集相似。因为新数据集比较小，如果fine-tune可能会过拟合；又因为新旧数据集类似，我们期望他们高层特征类似，可以使用预训练网络当做特征提取器，用提取的特征训练线性分类器。
2）新数据集大且和原数据集相似。因为新数据集足够大，可以fine-tune整个网络。
3）新数据集小且和原数据集不相似。新数据集小，最好不要fine-tune，和原数据集不类似，最好也不使用高层特征。这时可是使用前面层的特征来训练SVM分类器。
4）新数据集大且和原数据集不相似。因为新数据集足够大，可以重新训练。但是实践中fine-tune预训练模型还是有益的。新数据集足够大，可以fine-tine整个网络。
强化学习：强调如何基于环境而行动，以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。