机器学习——简介(一)
- 简介Introduction
- 模型和损失函数Model and Cost Function
- 参数学习Parameter Learning
简介
定义
机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能,特别是如何在经验学习中改善具体算法的性能;
机器学习是对能通过经验自动改进的计算机算法的研究;
机器学习是用数据或者以往的经验,以此优化计算机程序的性能标准。
— [维基百科]Field of study that gives computers the ability to learn without being explicitly programmed —Arthur Samuel(1959) 第一个定义机器学习的人
分类
监督学习(Supervised Learning)
非监督学习(Unsupervised Learning)
其他:增强学习(Reinforcement Learning),推荐系统(Recommender Systems)
算法
常用的机器学习算法有:
构造间隔理论分布:聚类分析和模式识别
- 人工神经网络
- 决策树
- 感知机
- 支持向量机
- 集成学习AdaBoost
- 降维与度量学习
- 聚类
- 贝叶斯分类器
构造条件概率:回归分析和统计分类
- 高斯回归
- 线性判断分析
- 最近邻
- 径向基函数核
通过再生模型构造概率密度函数:
- 最大期望算法
- 概率图模型:包括贝叶斯网和Markov随机场
近似推断技术:
- 马尔科夫链
- 蒙特卡罗方法
- 变分法