写在前面：
最近，我在看华文慕课上，北京大学王文敏教授的《人工智能原理》。
老教授语速很慢，视频没有字幕。
为了方便一些有特殊需求的AI学习爱好者，我花了4个小时时间，把第十章的视频里的语音听写了一遍（相当于我自己看了四遍视频），以飨读者。
希望能帮到你。（PS：文字的著作权归老教授本人所有，我只是练听写，我是大自然的搬运工。）
P5 C10.1——5分43秒
大家好，我们接着讲人工智能。
今天我们继续讲第五部分，第十章，机器学习中的任务。
这一章，我们将详细讨论，可以通过机器学习完成的各种任务。
这一章，分五节。第一节是分类。第二节回归。第三节聚类。第四节排名。最后我们讲一下降维的问题。
什么是学习的任务呢？
它是用于应对这样一些问题，可以通过学习得到所期望的输出。
那么为什么要研究学习的任务呢？
这是因为各种应用产生了各种不同类型的问题。
例如在计算机视觉，computer vision当中，我们需要识别图像、或者视频中的物体，我们要对其内容加以理解，等等。
对于多媒体检索来说，multimedia retrieval，我们需要检索各种媒体的内容。我们可能还得需要跨媒体检索，例如从文本到图像，或者从图像到文本，以及从文本到视频等等。
此外还有各种各样的模式识别问题。例如人脸识别，指纹识别，以及其他生物特征识别等等。
此外还有自然语言理解，及其翻译等等。都需要甄别学习的任务。针对不同的需求，采用相应的处理。
那么机器学习都有哪些任务呢？
我们可以归纳为如下七种：我们在上一章中讲过，这里再详细介绍一下。
首先是分类，Classification。它是将输入划分成两个或多个类别，这里的类别的数量是已知的，也就是说预先定义的。分类的算法在机器学习当中，也许是最多的了，它有很多种。例如我们可以处理二分类，可以采用支持向量机的这个算法。此外还有一些多分类的算法，例如Softmax等等。
第二个任务是Regression，回归。它的输出和分类不一样。分类是离散的，也就是预先定义的几个类别。而回归的输出是连续值。
第三个任务是Clustering，聚类。即将输入划分成若干个簇，或者是组，group。这里的簇是事先未知的，是通过分析得到的相应的簇的类别及其个数。
此外学习任务中还有排名，Ranking。它是对输入数据进行转换，用它们的排名来代替它们的输入值。
此外还有密度估计。也就是寻找输入数据在某个空间中的分布。
学习任务中还有降维问题，Dimensionality reduction。他的目的呢，是将输入进行简化，映射到低维空间。那么因为有一些数据，特别是图像，视频音频等数据，它们的维度很高，那么如果将其映射到低维空间的话，便于后期处理，此外呢还便于可视化。
我们还可以将Optimization，优化，作为机器学习的另一个任务。这是因为在机器学习过程中，我们需要对某些问题进行优化，从所有可能的解当中，我们寻找最优解，然后得到其最优解。