莫凡《机器学习》笔记，包括以下内容：
一、机器学习方法
1.1 机器学习 (Machine Learning)
二、神经网络
2.1 科普: 人工神经网络 VS 生物神经网络
2.2 神经网络 (Neural Network)
2.3 卷积神经网络 CNN (Convolutional Neural Network)
2.4 循环神经网络 RNN (Recurrent Neural Network)
2.5 LSTM RNN 循环神经网络 (LSTM)
2.6 自编码 (Autoencoder)
2.7 生成对抗网络 (GAN)
2.8 科普: 神经网络的黑盒不黑
2.9 神经网络 梯度下降
2.10 迁移学习 Transfer Learning
三、神经网络技巧
3.1 检验神经网络 (Evaluation)
3.2 特征标准化 (Feature Normalization)
3.3 选择好特征 (Good Features)
3.4 激励函数 (Activation Function)
3.5 过拟合 (Overfitting)
3.6 加速神经网络训练 (Speed Up Training)
3.7 处理不均衡数据 (Imbalanced data)
3.8 批标准化 (Batch Normalization)
3.9 L1 / L2 正规化 (Regularization)
四、强化学习
4.1 强化学习 (Reinforcement Learning)
4.2 强化学习方法汇总 (Reinforcement Learning)
4.3 Q Leaning
4.4 Sarsa
4.5 Sarsa(lambda)
4.6 DQN
4.7 Policy Gradients
4.8 Actor Critic
4.9 Deep Deterministic Policy Gradient (DDPG)
4.10 Asynchronous Advantage Actor-Critic (A3C)
4.11 AlphaGo Zero 为什么更厉害?
五、进化算法
5.1 遗传算法 (Genetic Algorithm)
5.2 进化策略 (Evolution Strategy)
5.3 神经网络进化 (Neuro-Evolution)

一、机器学习方法

1.1 机器学习：

机器学习的方法包括:

• 监督学习 supervised learning：（有数据有标签）在学习过程中，不断的向计算机提供数据和这些数据对应的标签，如给出猫、狗的图片并告诉计算机哪些是猫哪些是狗，让计算机去学习分辨（神经网络）
• 非监督学习 unsupervised learning：（有数据无标签）例给猫和狗的图片，不告诉计算机哪些是猫哪些是狗（不告诉标签），而让它自己去判断和分类。不提供数据所对应的标签信息，计算机通过观察数据间特性总结规律
• 半监督学习 semi-supervised learning：综合监督和非监督，考虑如何利用少量有标签的样本和大量没标签的样本进行训练和分类
• 强化学习 reinforcement learning：（无数据无标签）把计算机丢到一个完全陌生的环境，或让它完成一项未接触过的任务，它自己会尝试各种手段，最后让自己成功适应，或学会完成任务的方法途径（ALPHAGO）
• 遗传算法 genetic algorithm：模拟进化论，适者生存弱者淘汰，通过淘汰机制设计最优的模型。
  
  引用：https://blog.csdn.net/weixin_30898109/article/details/97071948?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522159134273119195162551802%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=159134273119195162551802&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2_allfirst_rank_ecpm_v3~pc_rank_v4-4-97071948.first_rank_ecpm_v3_pc_rank_v4&utm_term=莫凡机器学习笔记