李宏毅+方向修改

README.md

@@ -22,4 +22,10 @@
 1. 使用有序列表来记录知识点内容
 2. 有序列表
    1. 次级列表
-   2. 次级列表
+   2. 次级列表
+
+
+## 2 补充说明
+
+* 最好不要有不能进行版本控制的资料，例如ppt和视频。吴恩达的ppt过于经典，暂时保留，其他的资料，进行硬盘存档吧，毕竟这是学习笔记，不是学习资料。
+* 每一门笔记可以有1-2本对应的经典的书籍。比如latex的经典教程、线性代数、概率论和数理统计的经典教程。ppt和视频这种知识密度过低的东西，最好不要有。

工作日志/2020年9月6日-ML.md

@@ -22,33 +22,43 @@
 python3-numpy-scipy-matplotlib-pandas√
 > 基本完成。主要是知道了这些东西都是干什么用的。
 
-### 机器学习系列（视频教程）（三周）
+### 机器学习+深度学习系列（视频教程）（三周）
 > 需要了解机器学习的各种工具，需要的进行补充。使用python3进行编程实践。这一部分是最关键的，需要按照知乎的方法进行调整学习。入门课程->模型算法->编程实践
 
 1. 《机器学习》吴恩达的课程一看。跟着做做笔记。
-   * 完成第一轮，笔记对照(看一部分，总结一部分。)
-   * 看吴恩达的PPT重新整理所有的笔记。
-   * 寻找吴恩达课程的课后题，使用python完成课后题
-2. ~~《机器学习基石》上&下~~//李宏毅的机器学习也行
-   * 完成第二轮，笔记对照（跟上实践）
+   * 第一轮，笔记对照(看一部分，总结一部分。)
+   * 第二轮，看吴恩达的PPT重新整理所有的笔记。
+   * 第三轮，寻找吴恩达课程的课后题，使用python完成课后题
+2. 吴恩达的神经网络五套课程看完。各种神经网络。
+   * 神经网络与深度学习
+   * 改善神经网络
+   * 结构化项目学习
+   * 卷积神经网络
+   * 序列模型
+   * 第一轮，笔记对（借用其他人的笔记进行修改，同时理解）
+   * 第二轮，看吴恩达的PPT重新整理所有的笔记
+   * 第三轮，课后题，TensorFlow完成
 3. 《统计学习方法》一看。3Blue1Brown的视频看一看。跟着做做笔记。
 4. 《机器学习西瓜书》一看。跟着做做笔记。
 5. 《机器学习实战》量子位提供的书，适合编程。
 6. 《python机器学习》里边涉及几个实战
 7. tensorflow教程一看，实现一遍之前的算法。
+8. （可选） ~~《机器学习基石》上&下~~//李宏毅的机器学习也行（在进行一段时间之后，已经完成了多个项目之后，可以回过头来看李的视频，进行更深层次的理解）
+   * 完成第二轮，笔记对照
+   * 代码实现课后的内容
 
 > 安排
 > 1. 首先跟着量子位的课程完成上述学习。
 > 2. 然后跟着apacheCN的资料完成第二阶段的阅读。
 > 3. 然后就是尝试专业领域的应用实战。
 > 补充：林轩田《机器学习基石》《机器学习技法》。李宏毅的《机器学习视频教程》。
-工具
-> * sklearn
-> * tensorflow
+> 工具
+>     * sklearn
+>     * tensorflow
+
+> 变更说明
+> * 经过仔细思考，感觉李宏毅的机器学习+深度学习与吴恩达的机器学习+深度学习，重叠的部分太多，入门阶段进行混合学习代价较大。所以，入门阶段都是以吴恩达的课程为主，编程也是以吴恩达的课程为主。总共包括五个模块，可以适当地学习三到四个模块，然后进行下一阶段。
 
-### 深度学习系列（一周）
-吴恩达的神经网络五套课程看完。
-各种神经网络。
 
 ### 联邦学习系列（三周）
 > 尝试搭建小型的联邦学习框架。寻找网络教程，完成这一块，还有很多书。

机器学习/ApacheCN/readme.md

@@ -0,0 +1 @@
+> 这里主要以各种算法的理论知识为主进行说明。

机器学习/李宏毅机器学习/学习笔记/1_Introduction.md

@@ -1,123 +1,94 @@
 # Introduction
 
-> define a set of function(model) -> goodness of function -> pick the best function 
 
-### Learning Map
+## 如何定义一个机器学习的问题
+> 机器学习的本质，是机器自动寻找输入和输出之间的函数function，建立输入和输出的关系。
+* 根据机器学习的输入input数据集data set，定义学习的场景
+  * 有标签的数据集：监督学习supervisor learning
+  * 没有标签的数据集：无监督学习unsupervisor learning、生成对抗网络GAN
+  * 标签不全的数据集：半监督学习semi-supervisor learning 
+  * 特征不一致的数据集：迁移学习transfer learning
+  * 没有数据：强化学习reinforcement learning
+* 根据机器学习的输出output，来定义一个问题或任务task
+  * 连续的数值：回归问题regression
+  * 离散的数值：分类问题classification
+  * 结构化数值：生成问题generation（例如一张斑马的图片、一段翻译的结果、一篇文章的总结，生成结构化的数据，结构化学习）
+* 选择合适的机器学习算法集合，评估机器学习算法的好坏
+  * 定义损失函数loss function
+  * 使用梯度下降优化算法，减小损失函数gradient descent
 
-下图中，同样的颜色指的是同一个类型的事情
+## 课程的概要
 
-蓝色方块指的是scenario，即学习的情境。通常学习的情境是我们没有办法控制的，比如做reinforcement Learning是因为我们没有data、没有办法来做supervised Learning的情况下才去做的。如果有data，supervised Learning当然比reinforcement Learning要好；因此手上有什么样的data，就决定你使用什么样的scenario
+![](../img/学习路线.png)
 
-红色方块指的是task，即要解决的问题。你要解的问题，随着你要找的function的output的不同，有输出scalar的regression、有输出options的classification、有输出structured object的structured Learning...
 
-绿色的方块指的是model，即用来解决问题的模型(function set)。在这些task里面有不同的model，也就是说，同样的task，我们可以用不同的方法来解它，比如linear model、Non-linear model(deep Learning、SVM、decision tree、K-NN...)
+* scenario，即学习的情境。通常学习的情境是我们没有办法控制的，比如做reinforcement Learning是因为我们没有data、没有办法来做supervised Learning的情况下才去做的。如果有data，supervised Learning当然比reinforcement Learning要好；因此手上有什么样的data，就决定你使用什么样的scenario
+* task，即要解决的问题。你要解的问题，随着你要找的function的output的不同，有输出scalar的regression、有输出options的classification、有输出structured object的structured Learning..
+* model，即用来解决问题的模型(function set)。在这些task里面有不同的model，也就是说，同样的task，我们可以用不同的方法来解它，比如linear model、Non-linear model(deep Learning、SVM、decision tree、K-NN...)
 
-<center><img src="https://gitee.com/Sakura-gh/ML-notes/raw/master/img/learningMap.png" alt="learning map" width="60%;" /></center>
+> 在定义应用场景的时候，可能有来自不同领域的数据，例如语音处理的语音、文字处理的文本、图像识别的图像。对于不同领域的数据，其机器学习算法的场景是完全一致的，唯一不同的是，对数据的预处理。而解决一个机器学习问题，需要花费更多的时间在数据预处理的过程。
 
-#### Supervised Learning(监督学习)
 
-supervised learning 需要大量的training data，这些training data告诉我们说，一个我们要找的function，它的input和output之间有什么样的关系
+## 基础知识
 
-而这种function的output，通常被叫做label(标签)，也就是说，我们要使用supervised learning这样一种技术，我们需要告诉机器，function的input和output分别是什么，而这种output通常是通过人工的方式标注出来的，因此称为人工标注的label，它的缺点是需要大量的人工effort
+### Supervised Learning(监督学习)
 
-##### Regression(回归)
+#### 场景的描述
+supervised learning 需要大量的training data，这些training data告诉我们说，一个我们要找的function，它的input和output之间有什么样的关系而这种function的output，通常被叫做label(标签)。
 
-regression是machine learning的一个task，特点是==通过regression找到的function，它的输出是一个scalar数值==
+#### 任务的分类
+*  Regression(回归)regression是machine learning的一个task，通过regression找到的function，它的输出是一个scalar数值比如PM2.5的预测，给machine的training data是过去的PM2.5资料，而输出的是对未来PM2.5的预测**数值**，这就是一个典型的regression的问题
 
-比如PM2.5的预测，给machine的training data是过去的PM2.5资料，而输出的是对未来PM2.5的预测**数值**，这就是一个典型的regression的问题
+* Classification(分类)regression和classification的区别是，我们要机器输出的东西的类型是不一样的，在regression里机器输出的是scalar，而classification又分为两类：
+  * Binary Classification(二元分类)在binary classification里，我们要机器输出的是yes or no，是或否。比如G-mail的spam filtering(垃圾邮件过滤器)，输入是邮件，输出是该邮件是否是垃圾邮件
+  * Multi-class classification(多元分类)在multi-class classification里，机器要做的是选择题，等于给他数个选项，每一个选项就是一个类别，它要从数个类别里面选择正确的类别。比如document classification(新闻文章分类)，输入是一则新闻，输出是这个新闻属于哪一个类别(选项)
 
-##### Classification(分类)
-
-regression和classification的区别是，我们要机器输出的东西的类型是不一样的，在regression里机器输出的是scalar，而classification又分为两类：
-
-###### Binary Classification(二元分类)
-
-在binary classification里，我们要机器输出的是yes or no，是或否
-
-比如G-mail的spam filtering(垃圾邮件过滤器)，输入是邮件，输出是该邮件是否是垃圾邮件
-
-###### Multi-class classification(多元分类)
-
-在multi-class classification里，机器要做的是选择题，等于给他数个选项，每一个选项就是一个类别，它要从数个类别里面选择正确的类别
-
-比如document classification(新闻文章分类)，输入是一则新闻，输出是这个新闻属于哪一个类别(选项)
-
-##### model(function set) 选择模型
+#### 模型的选择
 
 在解任务的过程中，第一步是要选一个function的set，选不同的function set，会得到不同的结果；而选不同的function set就是选不同的model，model又分为很多种：
 
 * Linear Model(线性模型)：最简单的模型
-
 * Non-linear Model(非线性模型)：最常用的模型，包括：
 
     * **deep learning**
-
-        如alpha-go下围棋，输入是当前的棋盘格局，输出是下一步要落子的位置；由于棋盘是19\*19的，因此可以把它看成是一个有19\*19个选项的选择题
-
     * **SVM**
-
     * **decision tree**
-
     * **K-NN**
 
-#### Semi-supervised Learning(半监督学习)
+### Semi-supervised Learning(半监督学习)
 
-举例：如果想要做一个区分猫和狗的function
+#### 场景的描述
+如果想要做一个区分猫和狗的任务。手头上有少量的labeled data，它们标注了图片上哪只是猫哪只是狗；同时又有大量的unlabeled data，它们仅仅只有猫和狗的图片，但没有标注去告诉机器哪只是猫哪只是狗。
 
-手头上有少量的labeled data，它们标注了图片上哪只是猫哪只是狗；同时又有大量的unlabeled data，它们仅仅只有猫和狗的图片，但没有标注去告诉机器哪只是猫哪只是狗
+在Semi-supervised Learning的技术里面，这些没有labeled的data，对机器学习也是有帮助的。
 
-在Semi-supervised Learning的技术里面，这些没有labeled的data，对机器学习也是有帮助的
-
-<center><img src="https://gitee.com/Sakura-gh/ML-notes/raw/master/img/semi-supervised-Learning.png" alt="semi-supervised" width="60%;" /></center>
-
-#### Transfer Learning(迁移学习)
+### Transfer Learning(迁移学习)
 
+### 场景的描述
 假设一样我们要做猫和狗的分类问题
 
 我们也一样只有少量的有labeled的data；但是我们现在有大量的不相干的data(不是猫和狗的图片，而是一些其他不相干的图片)，在这些大量的data里面，它可能有label也可能没有label
 
 Transfer Learning要解决的问题是，这一堆不相干的data可以对结果带来什么样的帮助
 
-<center><img src="https://gitee.com/Sakura-gh/ML-notes/raw/master/img/transfer-Learning.png" alt="transfer" width="60%;" /></center>
-
-#### Unsupervised Learning(无监督学习)
+### Unsupervised Learning(无监督学习)
 
 区别于supervised learning，unsupervised learning希望机器学到无师自通，在完全没有任何label的情况下，机器到底能学到什么样的知识
 
-举例来说，如果我们给机器看大量的文章，机器看过大量的文章之后，它到底能够学到什么事情？它能不能学会每个词汇的意思？
 
-学会每个词汇的意思可以理解为：我们要找一个function，然后把一个词汇丢进去，机器要输出告诉你说这个词汇是什么意思，也许他用一个向量来表示这个词汇的不同的特性，不同的attribute
+### Structured Learning(结构化学习)
 
-又比如，我们带机器去逛动物园，给他看大量的动物的图片，对于unsupervised learning来说，我们的data中只有给function的输入的大量图片，没有任何的输出标注；在这种情况下，机器该怎么学会根据testing data的输入来自己生成新的图片？
+在structured Learning里，我们要机器输出的是，一个有结构性的东西。
 
-<center><img src="https://gitee.com/Sakura-gh/ML-notes/raw/master/img/unsupervised-Learning.png" width="60%;" /></center>
+在分类的问题中，机器输出的只是一个选项；在structured类的problem里面，机器要输出的是一个复杂的物件。
 
-#### Structured Learning(结构化学习)
+举例来说，在语音识别的情境下，机器的输入是一个声音信号，输出是一个句子；句子是由许多词汇拼凑而成，它是一个有结构性的object。比如**GAN**也是structured Learning的一种方法
 
-在structured Learning里，我们要机器输出的是，一个有结构性的东西
 
-在分类的问题中，机器输出的只是一个选项；在structured类的problem里面，机器要输出的是一个复杂的物件
+### Reinforcement Learning(强化学习)
 
-举例来说，在语音识别的情境下，机器的输入是一个声音信号，输出是一个句子；句子是由许多词汇拼凑而成，它是一个有结构性的object
+* **Supervised Learning**：我们会告诉机器正确的答案是什么 ，其特点是**Learning from teacher**
 
-或者说机器翻译、人脸识别(标出不同的人的名称)
+* **Reinforcement Learning**：我们没有告诉机器正确的答案是什么，机器最终得到的只有一个分数，就是它做的好还是不好，但他不知道自己到底哪里做的不好，他也没有正确的答案；很像真实社会中的学习，你没有一个正确的答案，你只知道自己是做得好还是不好。其特点是**Learning from critics**
 
-比如**GAN**也是structured Learning的一种方法
-
-<center><img src="https://gitee.com/Sakura-gh/ML-notes/raw/master/img/structured-Learning.png" alt="structured" width="60%;" /></center>
-
-#### Reinforcement Learning(强化学习)
-
-**Supervised Learning**：我们会告诉机器正确的答案是什么 ，其特点是**Learning from teacher**
-
-* 比如训练一个聊天机器人，告诉他如果使用者说了“Hello”，你就说“Hi”；如果使用者说了“Bye bye”，你就说“Good bye”；就好像有一个家教在它的旁边手把手地教他每一件事情
-
-**Reinforcement Learning**：我们没有告诉机器正确的答案是什么，机器最终得到的只有一个分数，就是它做的好还是不好，但他不知道自己到底哪里做的不好，他也没有正确的答案；很像真实社会中的学习，你没有一个正确的答案，你只知道自己是做得好还是不好。其特点是**Learning from critics**
-
-* 比如训练一个聊天机器人，让它跟客人直接对话；如果客人勃然大怒把电话挂掉了，那机器就学到一件事情，刚才做错了，它不知道自己哪里做错了，必须自己回去反省检讨到底要如何改进，比如一开始不应该打招呼吗？还是中间不能骂脏话之类的
-
-<center><img src="https://gitee.com/Sakura-gh/ML-notes/raw/master/img/reinforcement-Learning.png" alt="reinforcement" width="60%;" /></center>
-
-再拿下棋这件事举例，supervised Learning是说看到眼前这个棋盘，告诉机器下一步要走什么位置；而reinforcement Learning是说让机器和对手互弈，下了好几手之后赢了，机器就知道这一局棋下的不错，但是到底哪一步是赢的关键，机器是不知道的，他只知道自己是赢了还是输了
-
-其实Alpha Go是用supervised Learning+reinforcement Learning的方式去学习的，机器先是从棋谱学习，有棋谱就可以做supervised的学习；之后再做reinforcement Learning，机器的对手是另外一台机器，Alpha Go就是和自己下棋，然后不断的进步
+* 再拿下棋这件事举例，supervised Learning是说看到眼前这个棋盘，告诉机器下一步要走什么位置；而reinforcement Learning是说让机器和对手互弈，下了好几手之后赢了，机器就知道这一局棋下的不错，但是到底哪一步是赢的关键，机器是不知道的，他只知道自己是赢了还是输了。

机器学习/李宏毅机器学习/学习笔记/2_Regression Case Study.md

@@ -1,6 +1,25 @@
 # Regression：Case Study
 
-> **回归**-案例研究
+## 回归问题
+
+* 预测
+  * 给出特征，预测特征的结果
+* 推荐
+  * 一般包括两组对象。描述两组对象之间的关联性。
+  * 例如读者+文章的推荐系统。读者的特征敏感度$\theta$+文章特征$x_i$。基于个人浏览记录和文章特征的内容推荐系统，给定后者，训练读者的特征敏感度，然后推荐；基于文章被浏览的记录和读者特征的内容推荐系统，给定前者，训练文章本身的特征，然后推荐；基于协同过滤算法，前者后者都没有，进行推荐。
+
+## 机器学习的约定
+
+* 使用上标代表数据集中单条数据的定位。
+* 使用下表代表单条数据中组成元素的定位。
+* 假设函数，即训练模型。
+* 损失函数，是关于参数的函数。
+
+## 如何实现一个机器学习算法
+
+1. 定义模型，给出假设函数，关于输入输出的函数。
+2. 定义损失，给出代价函数，关于参数的函数，输入输出用数据集代替。
+3. 梯度下降，最小化代价函数。
 
 #### 问题的导入：预测宝可梦的CP值