人工智能是我们想要达成的目标，而机器学习是想要达成目标的手段，希望机器通过学习方式，他跟人一样聪明。

机器学习

machine learning就是在寻找一个function，要让机器具有一个能力，这种能力是根据你提供给他的数据，它去寻找出我们要寻找的function。

如何找到函数。

step1：定义function set。

step2：可以衡量function的好坏。

step3：选出一个好的function（举一反三）。

机器学习相关技术

supervised learning（监督学习）

Regression（回归）
Classification（分类）

选不同的function set就是选不同的model。Model有很多种，线性模型，非线性的模型：Deep learning、SVM、决策树…
function的output叫做label。

**监督学习的问题是我们需要大量的training data。training data告诉我们要找的function的input和output之间的关系。**如果我们在监督学习下进行学习，我们需要告诉机器function的input和output是什么。这个output往往没有办法用很自然的方式取得，需要人工的力量把它标注出来，这些function的output叫做label。
那有没有办法减少label需要的量呢？

半监督学习（Semi-supervised learning)
假设你先想让机器鉴别猫狗的不同。你想做一个分类器让它告诉你，图片上是猫还是狗。你有少量的猫和狗的labelled data，但是同时你又有大量的Unlabeled data，但是你没有力气去告诉机器说哪些是猫哪些是狗。在半监督学习的技术中，这些没有label的data，他可能也是对学习有帮助。

外一个减少data用量的方向是迁移学习。
设我们要做猫和狗的分类问题，我们也一样，只有少量的有label的data。但是我们现在有大量的data，这些大量的data中可能有label也可能没有label。但是他跟我们现在要考虑的问题是没有什么特别的关系的，我们要分辨的是猫和狗的不同，但是这边有一大堆其他动物的图片还是动画图片（凉宫春日，御坂美琴）你有这一大堆不相干的图片，它到底可以带来什么帮助。这个就是迁移学习要讲的问题。

Unsupervised learning(无监督学习）

你给机器看到的只有非常大量的图片，只有function的input，没有output。机器要咋样生成新的图片

在machine要解的任务上我们讲了Regression、classification，还有一类的问题是structured learning(结构化学习)。structured learning 中让机器输出的是要有结构性的

Reinforcement learning(强化学习）
在reinforcement learning里面，我们没有告诉机器正确的答案是什么，机器所拥有的只有一个分数，就是他做的好还是不好。

监督学习：learning from teacher
强化学习: learning from critics