初识机器学习（序）：浅谈机器学习

最新推荐文章于 2024-08-02 19:09:44 发布

寒雨丶微澜

最新推荐文章于 2024-08-02 19:09:44 发布

阅读量331

点赞数

分类专栏：机器学习文章标签：机器学习入门

本文链接：https://blog.csdn.net/h_snowq/article/details/88627421

版权

机器学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

一周前被老师拉去组建机器学习小组，当时的我还只是一个只会用java编写个五子棋AI或是做个简单的线程游戏的“机盲”。我甚至连Python都没有接触过，努力学习个几天终于勉强写了个Hello World。
花了整整两天时间才完成tensorflow的搭建。从一个完全的小白开始学习机器学习的相关知识，到目前勉勉强强能提交一次Kaggle上面的任务，过程倒是别有一番意趣。

啥是机器学习

回到正题，什么是机器学习？谈谈就目前为止我的理解。
法国思想家帕斯卡尔说，人是一颗会思考的芦苇。人之所以被我们称为万物的灵长，大部分原因就是人会思考。无论是上帝造人还是女娲造人，传说中他们都是按照自己创造的。在如今这个人人都可以是上帝的时代，人们当然希望让我们创造的机器也可以像人一样去思考。
在略微了解人类是如何思考的之后，聪明的程序员便开始想方设法用算法模拟人类思维。1950年，计算机先驱艾伦·麦席森·图灵在他的论文《计算机器与智能》中提出著名的“图灵测试”。假设我们有一台计算机，其运算速度非常快、记忆容量和逻辑单元的数目也超过了人脑，而且还为这台电脑编写了许多智能化的程序，并提供了合适种类的大量数据。之后我们将这台机器和一个人分别放置在两间互不联通的房间里，让二者与房间外的第三者进行交流，如果这个测试者无法分清哪边是人哪边是机器，那么便认定该机器具有同人相当的智能。

机器学习的分类

学习策略分类：

机械学习
学习者无需进行任何逻辑的思考，只需要从周边环境获取信息来执行相应的指令。其学习的方法都是事先编好的，只要充分利用存储的知识和索引进行操作便可。之中比较出名的的例子如：塞缪尔的跳棋程序等。其实我在之前也有做五子棋的AI算法。（原来不知道，我居然也是早和机器学习有过一面之缘了）
示教学习
这种学习方法和人类社会的学校教学方式相似，学习的任务就是建立一个系统，使它能接受教导和建议，并有效地存贮和应用学到的知识。我之前用Java写过一个手写识别的程序，通过不断的在界面上画数字，然后告诉它这是几，经过训练后它会保存下一系列数据，通过对比数据（也就是所谓的学习过知识了），找出相似度最高的那组识认为是这一类。（原来不止一面之缘呢）
演绎学习
这个就有点东西了，它要求利用逻辑推导，从公式出发，逻辑推理得到结果。
类比学习
大概意思是讲，找出两个不同领域知识的相似点，利用已知领域的知识类比推倒新领域的知识。（当年卢瑟福的原子结构模型就是类比太阳系推出来的，只不过他用的人脑罢了）
基于解释的学习
大概就是老师讲解概念、例子，学生能理论推导，分析例子吧。
归纳学习
这也是大多数学霸的学习方式了，从例子中自己总结归纳经验概念，再将其推广到更多方面。

学习形式分类：

这个分类才是在学习机器学习相关知识时用的最多的分类。

监督学习
多数情况下，我们在建立某个模型之后，都会对模型进行一定的训练，也就是给定一大堆数据，并提供对应结果，让模型有一定的经验。这个过程就是监督过程，经过训练之后，模型知道了遇到什么情况该怎么做，于是便可以做出相应的预测。常用到的算法模型，如决策树、随机森林…什么的，以后应用中会遇见。
非监督学习
非监督学习其实是一种归纳学习，建立中心，利用循环递减等方法减小误差来达到目的。