# 林妤敏 工作日誌         07月01號 第1週

## 第一週

### Artificial Inteligence : Machine Learning

**學習方式**

| Type | Supervised Learning | Unsupervised Learning | Reinforcement Learning |
| ---------- | --------------------- | ----------------------- | ---------------------- |
| Algorithms | Linear/Logistic Reg., | Kmeans,DBSCAN,PCA,NN, | Q-Learning, SARSA |
| | SVM,Decision Tree,KNN | Hierarchical Clustering | |
| Train | labeled data | unlabeled data | No predefined data |
| | need supervised | no need supervised | self-learning |
| Type of | Classification | Clustering, Apriori | Reward based system |
| Problems | Regression | Association | |
| | | Receonstruct | |
| Examples | Email,Forecast | 購物平臺的自動推薦功能 | Gaming |

**4 type of Classification**
* Binary Classification 二元分類 : Email Spam(Yes or No)
* Multi-Class Classification 多元分類 : Face recognition system
* Multi-Label Classification 多標簽分類: Photo Classification
* Imbalanced Classification 不平均分佈 : Medical Diagnostic system

**Regression**
* 透過很多的**x**去預測出**y**這個結果
* 預測的答案為連續值
* 輸出結果是數值

**總結訓練過程**
【訓練前】
1. Scenario ：有什麽資料？要預測什麽資料？
2. Task ：問題種類：要做什麽？解什麽？
3. Method： 要用什麽方法？決定Model（A set of function）
【訓練中】
1. Loss Function損失函數: train他如何辦別模型的好壞（Goodness of function f)
2. Gradient Descent梯度下降法: 到了最佳的 (Pick the Best function)
3. Learning Rate: 可以調整學習脚步
【訓練後】
1. Test Avearage Error訓練可能的問題
2. Generalization: 評估新資料的適用性
3. Cross Validation: Testing Set驗證Model的好壞

**error的來源**
bias & variance



比較簡單的圖：Bias大，Variance小
比較複雜的圖：Bias小，Variance大
Overfitting (模式複雜度過高): Bias2降低，但Variance增加
Underfitting (模式複雜度過低): Variance降低，但Bias2增加

## 下週預期進度
Deep Learning
TCA course
AI Conculsion