文章代码来源：《deep learning on keras》，非常好的一本书，大家如果英语好，推荐直接阅读该书，如果时间不够，可以看看此系列文章，文章为我自己翻译的内容加上自己的一些思考，水平有限，多有不足，请多指正，翻译版权所有，若有转载，请先联系本人。
个人方向为数值计算，日后会向深度学习和计算问题的融合方面靠近，若有相近专业人士，欢迎联系。
系列文章：
一、搭建属于你的第一个神经网络
二、训练完的网络去哪里找
三、【keras实战】波士顿房价预测
四、keras的function API
五、keras callbacks使用
六、机器学习基础Ⅰ：机器学习的四个标签
七、机器学习基础Ⅱ：评估机器学习模型
八、机器学习基础Ⅲ：数据预处理、特征工程和特征学习
九、机器学习基础Ⅳ：过拟合和欠拟合
十、机器学习基础Ⅴ：机器学习的一般流程十一、计算机视觉中的深度学习：卷积神经网络介绍
十二、计算机视觉中的深度学习：从零开始训练卷积网络
十三、计算机视觉中的深度学习：使用预训练网络
十四、计算机视觉中的神经网络：可视化卷积网络所学到的东西
通过之前的学习，大家知道机器学习中的核心问题为过拟合。
学完这一章，大家能够收获：
- 其它版本的一些机器学习，除了回归和分类问题。
- 机器学习模型的正式评价程序，你们在之前已经看到了其简单的版本
- 如何为机器学习备好数据，什么是“特征工程”
- 学习解决过拟合问题，我们在之前的几个例子里面也看到了这个过拟合现象。
机器学习的四个标签
通过刚刚三种问题，你应该已经熟悉了三种特别的机器学习问题：二分类、多分类、回归问题。
然而这些问题都属于监督学习的范畴，在机器学习领域监督学习只是其冰山一角，我们将机器学习通常分为四类：
- 监督学习，近期图像识别，语音识别等都聚焦于此。
- 无监督学习，即不需要任何标签，可以用来数据可视化、数据压缩、数据去噪或是简单的更好理解手头数据的表示，无监督学习是数据分析的“bread and butter”基础，这在监督学习之前使用是很有必要的。“维度下降”和“聚类”是熟知的无监督学习类型。
- 自监督学习，这实际上是监督学习的一个特例，但它有足够的不同，导致它可以单独成一类。自监督学习是没有人为标注的监督学习，然而它还是有一些标签的，毕竟学习过程中还是需要通过监督学习某些东西来进行，但他们是通过输入数据自身通过某些启发式算法生成的。你可以认为这是无人参与的监督学习，例如自编码机就属于其中。注意这些分类其实是很模糊的。
- 强化学习。近来这个领域广受关注，是google的deepmind成功让电脑打Atari游戏。机理自行搜索，目前它除了游戏领域还没找到什么别的有重大意义的应用，日后在自动驾驶、机器人、资源管理、教育上会发挥重大作用。
在这本书，我们将会主要集中注意力在监督学习上，因为目前它是主流，我们还会在之后的章节看一下自监督学习。
尽管监督学习大部分都是有分类和回归问题组成的，仍有一些其他的变种：
- 序列生成，例如给一张图片，我们生成文字来描述它。序列生成能够重塑一些分类问题，如重复预测单词或放进句子。
- 语法树预测（给一个句子，预测其在语法树中的分解）。
- 物体识别：给定一张图片，画一个框框来把指定物体框起来，这能够被表述为一个分类问题（给很多框，将每一个里面的内容进行分类。）或是看成是分类和回归问题的联合体。
- 图像分割：给定一张图片，画出特定物体的像素级别掩码。
分类和回归词汇表
分类和回归包含很多的专业名词，在之前的例子中，你应该见过他们，在接下来的章节里面，你会见得更多，他们都有准确的机器学习范围内的定义，你应当熟悉他们：
sample or input，样本或输入：一个进入你模型的数据点
prediction or output，预测或输出:从你模型出去的东西
target，目标：正确的。你的模型理想情况下应当预测的，来自于一些额外源的数据。
prediction error or loss value，预测错误或损失值：用来衡量你的预测和目标距离。
classes，类别:可能标签的集合用来在分类问题中选择，例如当猫狗图像分类时，这两种动物分属两类。
label，标签：不赘述。
ground-truth，or annotations，正确标注：人为标注正确的标签。
binary classification，二分类:一个将每一个样本都分为互异的类型的任务。
multi-class classification,大量分类：分的类型大于2
multi-label classification,多标签分类：分类问题可以得到很多标签，例如一幅图片中同时又猫和狗，那么标签同时给出猫、狗。
scalar regression，标量回归:目标是一个连续的标量值，房子价格预测只是一个好的例子：不同的价格形成了一个来连续的空间。
vector regression，向量回归：目标是一系列连续的值的集合，例如向量。如果你在做多个值的回归，其实你就是在做向量回归。
mini-batch or batch:一些马上要被处理的小样本。在GPU中为2的幂次效率会更高。训练的时候，一个mini-batch就可以更新一次权值。
