机器学习基本概念介绍 2023
笔记来源于：
https://www.youtube.com/watch?v=phQK8xZpgoU&t=172s
https://www.youtube.com/watch?v=XLyPFnephpY&t=645s
Machine/Deep Learning
机器学习概况来说，让机器具备自动找函式的能力 （Machine Learning 约等于 Looking for function）
三种机器学习： 回归，分类，生成式学习
函数输出来进行分类
1、 回归： 韩式的输出是一个数值
例子：预测明天的PM2.5值
2、分类：函式的输出是一个类别（选择题）
例子：email过滤垃圾邮件，让机器做一个选择题
输入是邮件，输出是垃圾邮件/不是垃圾邮件
机器学习有一个更困难的问题： 结构化学习（Structured Learning），让机器生成有结构的物件，例如影像，文字，又叫生成式学习（Generative Learning）
结构化学习，生成式学习是一门很难的技术，不知道什么时候才能达到生成式学习
不知道什么时候才能到达暗黑大陆
ChatGPT是哪一类呢？
chatgpt实际做的事情： 文字接龙，模型解的是分类的问题
使用者感受到的功能： 一个字一个字生成，可能感受到的是生成式学习
实际上，chatgpt要解的是生成式学习这个问题做下简化，拆解成多个分类问题
生成式学习有很多个策略，有哪些？
机器学习就是让机器找一个函式，那机器怎么找？
归纳成三个步骤，比较好理解
前置作业： 决定要找什么样的函式，这个和技术无关，取决于你要做什么样的应用
例子： 宝可梦，提升战斗力，或者判断是否是宝可梦
1、 设定范围
找出候选函数的集合，就是model
深度学习中，类神经网络的结构，例如CNN，RNN，Transformer等，指的就是不同的函式集合
为什么类神经网络的结构就是一个候选函式的集合？
视频解析： https://www.youtube.com/watch?v=Dr-WRlEFefw
参考资料：https://ruanyifeng.com/blog/2017/07/neural-network.html
近年来，计算机视觉慢慢由CNN转向transform的趋势
step1: 这个function其实就是一个Neural network
我们把一个Logistic Regression 称之为Neuron，整个称之为Neural Network。 也就是一个Neural network里面包含一大堆的Logistic Regression
每个Logistic Regression，它都有自己的weight和自己的bias，这些weight和bias集合起来，就是这个network的parameter
如何去连接不同的Neuron network？ Full Connect Feedforward Network
通过不同的连接方式，就得到了不同的structure
1*1+（-1）*（-2）再加上bias 1，通过sigmoid function以后，计算得到值
一个neural network你可以把它看作是一个function，input是一个vector，output也是一个vector
如果不知道参数 weight和bias，只是定出了这个network的structure，只是定义好了这个network怎么样连接，
它其实就是定义了一个function set，我们可以给这个network设定不同的参数，它就变成了不同的function，把这些可能的function集合起来
我们就得到了一个function set
为什么我们要设定范围？ 为什么我们要选出候选函式的范围？ 为什么不把所有的函式纳入进来？
1、标准训练数据下，loss小，但是测试不好，例如是硬记答案，我们要找在各个环境都表现很好的函式。。。
2、 过滤掉不行的函式，所以一开始划定范围，不在这个范围的直接淘汰，这个范围也很有讲究。。。
3、这个范围选择有标准的数学理论支撑，参见视频：
卷积神经网络：https://www.youtube.com/watch?v=OP5HcXJg2Aw
浅谈机器学习原理：https://www.youtube.com/watch?v=_j9MVVcvyZI
2、 设定标准
设定一个评估函式好坏的标准
怎么设定一个最好的标准，loss越小，代表函数最好，loss越大，代表不好
这个loss设定怎么来呢？ 自己来设置
例子：宝可梦，战斗力
专业人士设置标准答案，根据函式的输出和标准答案的差距，所有的差距加起来代表函式的好坏
L（f1）=15 入参为函式，大L也是一个函式，用来计算函式的好坏
怎么样来定义这个loss function？
假设有另外的情况，有部分的数据有标准答案，路边抓过来一些宝可梦，那怎么来评估战斗力？这种情况下
怎么来评估这些没有正确标注的宝可梦的战斗力？
第一步，把宝可梦丢到这个函式里面，如果有返回，则使用
没有的话，我们可以定一些假设，长得像宝可梦的战斗力要一样
（那怎么定义长得像呢？ 比如像素的相似度 这个你自己来根据资料来灵活定义）
一个好的函式，可以评估出没有标注过的数据
问题： 在训练数据上面评估的loss函数小，但是在训练数据上面不一定好
可能的原因是什么呢？
1、 数据量太小
2、有很多其他的理论知识。。。。
怎么解决？
我们在Loss上做一些额外的考量，如Regularization，具体做法原理视频没讲。。。。。。。
3、 达成目标
找出最好的函式，什么叫做好呢？ 就是上面的loss，loss越小，函式越好
这个找出函式最佳的方式叫做Optimization
如何进一步去找最好评估的loss函式，可以学习下这几个视频。。。我没来的及学习
最佳化演算法
什么是达成目标比较好的方式？
把最佳化演算法看作一个巨大的funciton，输入是定义好的函式集合 H和评估函式好坏的标准L，
输出一个最好的函式，这个函式在大L里面的值越小越好
怎么评估这个function的好坏？
1、 我们期待这个function能够在同样输入H和L的前提下，越快输出越好
2、有时候需要L(f*)越小越好，但是通常找不出大L最低的function（不清楚为啥。。。。），但是我们期待最佳化演算法找出来的L(f*) 越低越好
我们需要先设定 Learning Rate，Batch Size，How to Init，这些就叫做超参数，纯手工去调（技术活）
参数狗。。。 不是类神经网络里面的参数
一个好的最佳化演算法，我们期待最佳化演算法对于超参数不敏感。。。。这样就可以用预设值了
--------------------------------------------------------------------------------------------------------------------------------
