【机器学习】第一讲 机器学习的动机和应用

 

机器学习，兴起于人工智能（AI），是计算机的新能力。

很多无法通过手工编程实现的程序，可以让计算机“自己去学”。

学习型算法已经使数据挖掘领域的研究取得了重要进展——访问推荐书和电影的网站，那么会有一些学习型算法来学习你经常会购买的书和电影的种类，从而给你提供个性化的推荐。

机器学习——不针对计算机直接编程的情况下，赋予计算机学习的能力。
对于一个计算机程序，给它一个任务T和一个性能测量方法P，如果在经验值E的影响

下，P对T的测量结果得到了改进，那么就说程序从E中学习。

常用工具：Matlab，Octave

可能会涉及凸优化理论（convex optimizaition），隐马尔科夫模型（hidden Markov model）[对时间序列进行建模的算法]

机器学习主要分为四个部分：

一、Supervised Learning（监督学习）

给算法提供了一组“标准答案”，希望通过学习“标准输入与输出”的联系，以尝试对我们的其他输入给我们提供更为标准的答案。

典型问题：回归问题（“回归”意味着我们需要测量的变量是连续的）

              分类问题（要处理的变量是离散的）同时考虑多个输入变量和多个特征（向量）[SVM(无限维)]

PS：所谓“标准答案”，是指训练样本已经分好类

二、Learning Theory（学习理论）

让学习型算法尽量高效，但又要保证精度。（例如采样时样本的大小）

机器学习——一个非常强大的工具，学习理论的目的是将机器学习的理念，将机器学习的算法应用到解决实际问题中。

三、Unsupervised Learning（无监督学习）

典型问题：聚类问题。应用：计算机集群、社会网络分析，市场划分，独立组件分析（ICA算法）[解决鸡尾酒会的问题]

PS：训练样本未分类

四、Reinforcement Learning（强化学习）

用在你不需要进行一次决策的情形中

这个涉及到一个重要的概念：回报函数（reward function）：定义需要找到一种方式，来定义你想要什么？如何定义一个好的行为与坏的行为，而我们的算法就是尽量使“好的行为”越多而“坏的行为”越来越少。

 

转载于:https://www.cnblogs.com/kemmyzhou/archive/2013/03/23/2977281.html