PyTorch深度学习

第4章　机器学习基础

前文讲解了如何建立深度学习模型来解决分类和回归问题，比如图像分类和平均用户观看时间预测的示例。同样地，我们从直观上了解了如何处理深度学习问题。本章将介绍如何处理不同种类的问题，以及可以改善模型性能的不同的潜在方法。

本章涵盖了以下主题：

• 分类和回归之外的其他类型的问题；
• 评估问题，理解过拟合、欠拟合，以及解决这些问题的技巧；
• 为深度学习准备数据。

请记住，在本章中讨论的大多数技术都是机器学习和深度学习通用的，一部分用于解决过拟合问题的技术（如dropout）除外。

4.1　三类机器学习问题

在之前的所有例子中，尝试解决的是分类（预测猫或狗）或回归（预测用户在平台上花费的平均时间）问题。所有这些都是有监督学习的例子，目的是找到训练样例和目标之间的映射关系，并用来预测未知数据。

有监督学习只是机器学习的一部分，机器学习也有其他不同的部分。以下是3种不同类型的机器学习：

• 有监督学习；
• 无监督学习；
• 强化学习。

下面详细讲解各种算法。

4.1.1　有监督学习

在深度学习和机器学习领域中，大多数成功用例都属于有监督学习。本书中所涵盖的大多数例子也都是有监督学习的一部分。来看看有监督学习的一些常见的例子。

• 分类问题：狗和猫的分类。
• 回归问题：预测股票价格、板球比赛成绩等。
• 图像分割：进行像素级分类。对于自动汽车驾驶来说，从摄像机拍摄的照片中，识别出每个像素属于什么物体是很重要的。这些像素可以是汽车、行人、树、公共汽车等。
• 语音识别：OK Google、Alexa和Siri都是语音识别的例子。
• 语言翻译：从一种语言翻译成另一种语言。

4.1.2　无监督学习

在没有标签数据的情况时，可以通过可视化和压缩来帮助无监督学习技术理解数据。两种常用的无监督学习技术是： ...