前言

過了三分之二竟然還沒講完第一堂課，真的太混了，所以決定直接跳過第一堂課最後的部分，因為那部分主要就是介紹一堆GCP的基本的功能，很繁瑣又很簡單而且與機器學習方面關聯性不大。

主題

0.0 Supervised Learning

要將機器學習的類型做分類有很多面向，若是從"資料"的角度去分類，最簡單的方式就如上圖，根據資料是否有標記(Label\Target)分成監督式學習(Supervised Learning)與非監督式學習(Unsupervised Learning)。
前者，可以再根據標記的類型:
分類(Classification):Label為離散的值，通常是類別(category)，也有比較特殊的排名(Rank)。
再細分下去，分類最基礎的問題就是二元分類(Binary Classfication)問題，Label通常使用{0,1}或者{-1,1}，其它還有 multi-label, multi-task 等等。
此類問題主要希望找出一種方式，將資料依據不同的Label進行分類，並且對於未來的新的未標記資料能夠做出正確的標記。
迴歸(Regression):Label為連續的數值。
此類的問題希望找出一道函數，能夠fitting數值呈現的趨勢，最好是對於相同的input時，函數的數值與label的數值差異越小越好。

非監督式學習(Unsupervised Learning):近年來流行另一種說法(Self-supervised Learning)，也就是將自身作為目標來學習。
主要為**分群(Clustering)**問題，考慮一堆資料，將這些資料依據特性分成不同群體，此類問題困難的地方在於，可能不只一種解，而且容易被許多因素影響導致結果的差異性很大，例如:起始值不同。