读《Hands-On Transfer Learning with Python》初体验
最近由于工作原因及个人兴趣，对迁移学习兴趣盎然，很想深入了解该领域知识，偶得该领域最新力作，现分享阅读的一些心得和要点。
本书秉承一贯的传道授业顺序，从机器学习到深度学习再到迁移学习，建议对机器学习和深度学习有一定基础的同仁忽略前3章节。这里简要概括一下前3章的重点。
要了解迁移学习，首先要明白迁移学习在整个AI领域的技术位置。所以我们先了解机器学习的基础知识。
机器学习和深度学习基础
ML是人工智能的一个受欢迎的子领域，涵盖了非常广泛的范围。这种流行的原因之一是其局面下的复杂算法，技术和方法的综合工具箱。多年来，该工具箱得到了开发和改进，并且正在不断研究新工具箱。要明智地理解和使用ML工具箱，请考虑以下几种方法对其进行分类。基于人工监督量的分类：
l 监督学习：这类学习涉及高度的人工监管。监督学习下的算法利用训练数据和相关输出来学习两者之间的映射并将其应用于看不见的数据。分类和回归是监督学习算法的两种主要类型。
l 无监督学习：这类算法试图学习输入数据中固有的潜在结构，模式和关系，没有任何相关的输出/标签（人工监督）。聚类，降维，关联规则挖掘等几种主要类型的无监督学习算法。
l 半监督学习：这类算法是混合的有监督和无监督的学习。在这种情况下，算法使用少量标记的训练数据和更多未标记的数据。因此，创造性地使用有监督和无监督解决给定任务的方法。
l 强化学习：这类算法与有监督和无监督的学习方法略有不同。这里的中央实体是Agent，在与环境互动的同时训练一段时间以最大化一些奖励/酬劳。代理根据与环境交互的奖励/惩罚，迭代地学习和改变策略/策略。
基于数据可用性的分类：
l 批量学习：这也称为离线学习。这类当所需的训练数据可用时使用学习，并且模型可以在部署之前进行训练和微然后到生产/现实世界。
l 在线学习：顾名思义，在这种情况下，学习不是数据可用后停止。相反，在这种情况下，数据以小批量馈送到系统中，并且训练过程继续进行新批量的数据。
