机器学习（一）--概论

一、基本概念    

    机器学习也称为“统计机器学习”，学习的对象是“数据”。

    从数据出发，经过数据清洗，特征工程（主要环节是特征提取），抽象数据的模型（传统机器算法和深度学习算法），进而发现数据中的知识，最终又回到对数据的分析与预测中去。

   既然从数据出发，那么必然是多样的。目前工业界处理的对象主要是：文字（自然语言）、图片、音视频以及他们的组合。

二、前提-基本假设

    机器学习的关于数据的基本假设是：同类数据具有一定的统计规律性，这是机器学习的前提。同类数据指的是：具有某种共同性质的数据，如：文章、网页、数据库中的数据。用随机变量描述特征，用概率分布描述数据的统计规律。

三、机器学习的目的

    目的：通过   选择机器学习的算法模型+ 模型训练 ->能够对未知数据进行准确的预测与分析，并且能够不断的自我学习，提高学习效率。

四、机器学习的分类

1. 监督学习（supervised learning）

2. 非监督学习（unsupervised learning）

3. 半监督学习（semi-supervised learning）

4. 强化学习（reinforcement learning）