1. 什么是機器學習？
機器學習就是找函數(shù)的公式，如何輸入一段語音，找到這段語音對應的函數(shù)，如果輸入一個圖片，那么就找到這個圖片的像素點所對應的函數(shù)。
首先，根據(jù)所要輸出的類型，可以簡單的把機器學習的問題分為兩大類，回歸（regression）與分類（classification）。如果輸出的數(shù)值是連續(xù)的變量，那么該問題就是一個回歸問題，如果輸出的數(shù)值是離散的，比如只有yes or no兩類，那么就是二分類問題，如果輸出為多個類別，就是多分類問題。
除此以外，隨著機器學習的發(fā)展，機器不僅僅可以完成上述兩項任務，還可以進行“創(chuàng)造”，比如翻譯問題，比如生成一個圖片。
2. 如何告訴“告訴機器”你想要找的函數(shù)表達式
2.1 監(jiān)督學習（supervised learning）
如果預先告訴機器，你想要的函數(shù)的理想的輸出是什么，這種學習方式就叫做有監(jiān)督的學習，換句話說，就是每個輸出值都有了標簽（label）。
然后機器會根據(jù)設定好的損失函數(shù)（loss function），可以不斷評價目前的函數(shù)的“好壞”，不斷迭代優(yōu)化，使得函數(shù)的loss越來越小
2.2 強化學習（reinforcement learning）
與監(jiān)督學習不同，強化學習不會給機器理想的輸出和結果，而是讓機器自行探索，如果獲得了想要的答案，就給予reward，通過這種方法讓機器越來越精確。
2.3 無監(jiān)督學習（unsupervised learning）
既沒有l(wèi)abel也沒有reward，在這種情況下讓機器進行學習。
3. 機器怎么找出你想要的函數(shù)表達式
3.1 給定搜尋的范圍
在回歸和分類問題中，我們假定要找的函數(shù)式為線性函數(shù)（Liner function）。在RNN和CNN問題中，搜尋范圍是網(wǎng)絡結構（network architecture）。
3.2 范圍中搜尋函數(shù)
通過一些算法：梯度下降（Gradient Descent）來求解，或者Pytorch等深度學習框架中的算法。
4. 前沿研究
Explainable AI（可解釋人工智能）、Adversarial Attack（對抗攻擊）、Network Compression（網(wǎng)絡壓縮）、Anomaly Detection（異常檢測）、Transfer Learning（遷移學習）、Meta Learning（元學習）
