機器學習簡介

即使是機器學習領域的專業人士，也很難給機器學習這一概念下一個準確的定義，比較常見的說法有兩種。Arthur Samuel描述其為“使計算機無需明確編程就能自主學習的研究領域”，Tom Mitchell給了一個更為流行的解釋為“一個計算機程序從經驗E中學習某些類型的任務T和性能度量P，如果它在任務T中的性能（以P度量）隨著經驗E提高了，稱之為具有機器學習能力。”

文章目錄

• 機器學習簡介
• • 簡介
  • 監督學習（Supervised Learning）
  • 非監督學習（Unsupervised Learning）
  • 發展狀況
  • 補充說明

簡介

• 如今，機器學習作為人工智能的主要研究方向被落地使用于各個行業，機器學習算法的有效及強大備受關注，由基本的機器學習算法衍生了很多子方向如強化學習、深度學習等，這些領域歸根結底都是經典的機器學習方法的擴充。
• 一般將機器學習劃分為兩個類別，即監督學習和無監督學習，前者依據數據的特征和標簽，后者只依賴數據的特征。

監督學習（Supervised Learning）

• 監督學習是指訓練算法的數據集的樣本都有實際的標簽（label）存在，如房價問題的房價、垃圾郵件識別問題的郵件類別。
• 監督學習主要由分類（Classification）和回歸（Regression）兩個類別組成，回歸問題要求預測連續的輸出值如房價，分類問題要求預測離散的輸出值如好或者壞。形象地說，回歸問題要求找到一個盡量擬合訓練數據分布的函數表達，分類問題要求找到一個盡量區分訓練數據不太類別數據的分界線。某種程度上，這兩種問題可以相互轉化。
• 如圖，對于回歸問題，盡量找到一條擬合全部數據的函數；對于分類問題，盡量找到區分不同類別樣本的分界線函數。

非監督學習（Unsupervised Learning）

• 非監督是指訓練算法的數據集的樣本只包含特征，而沒有標簽、目標之類的信息，我們不知道什么是好什么是壞，我們需要找到盡量區分不同樣本的方法，如聚類算法。經典的問題如新聞主題聚合。
• 非監督學習的典型問題是聚類問題，要求找出數據中的類型結構，并劃分出來。
• 如圖，對于聚類問題，要求發現數據的潛在特性，進行類別劃分。

發展狀況

• 目前，監督學習和非監督學習的發展如火如荼，然而取得較為實用的成就且能用于工業界的大多還是監督學習算法，換句話說，我們仍然需要大量的人工標注的數據用于模型的訓練。
• 當然，近些年很多深度學習方法（如自動編碼器）被逐漸用于非監督學習領域，這也促使非監督學習的進一步發展。
• 未來的強人工智能應該是更加依賴非監督學習算法，配合以監督學習算法的。

補充說明

• 本文力求簡潔介紹機器學習的一些基本概念，思路參照吳恩達的機器學習課程（Coursera）。
• 本系列相關的博文和代碼開放于Github，歡迎訪問項目。同時博客也同步在我的個人博客網站，歡迎訪問查看其他文章。
• 由于能力有限，如有錯誤，歡迎評論指正。

總結

以上是生活随笔為你收集整理的机器学习-机器学习简介的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。