神经网络与深度学习（更新至第6讲 循环神经网络）_哔哩哔哩_bilibili
本节知识点：哪些事情的预测属于机器学习？
注解：
1.这个问题的输出是一个连续值，这样的问题都称为回归问题。
注解：
1.这个问题的输出的也是一个连续值，这样的问题都称为回归问题。
注解：
1.这个问题的输出的也是一个连续值，这样的问题都称为回归问题。
注解：
1.这个问题的输出值是一个离散值，这样的问题都称为分类问题。
注解：
1.这个问题的输出值是一个离散值，这样的问题都称为分类问题。
2.这个是二分类问题。
3.画一个框，检测出是人脸输出1，检测出不是人脸就输出0.
注解：
1.这个问题的输出值是一个离散值，这样的问题都称为分类问题。
注解：
1.图像没有标签，希望算法可以把相类似的图像聚类在一起。
2.聚类问题是一类无监督学习问题，即没有标签的学习，只有xi,没有yi.但希望给xi上面赋一个yi.
注解：
1.如果采用平常用的深度学习（训练一个神经网络）对于某个盘面而言，告诉计算机下一步怎样下，比如应该下（5,5）这个位置，这样的数据是非常难以构建的，因为需要的数据量太大，所以把映射的y值改造成输或者赢，让神经网络去自己学习什么样的落点会倾向于赢，什么样的落点会倾向于输，这样的学习就是强化学习。
2.强化学习的本质就是尝试各种可能性，看那种可能性带来的预期收益最大。
注解：
1.既有监督学习，又有非监督学习，又有强化学习。
注解：
1.回归问题的y值是的取值范围是整个实数域，取值是连续的。
2.分类问题的取值是离散的值。
3.对于回归和分类问题，神经网络学习的好与坏衡量的准则是不一样的。
注解：
1.聚类的原则是，类内的样本更相似，类间的样本不相似，或者说类内方差最小，类间方差最大。
2.把手写数字投影到二维平面中，希望同样的数字离的比较近。
3.希望把空间中的任意一点的密度函数估计出来。