机器学习的动机与应用

1.机器学习的概念：
Arthur Samuel的非正式定义：在不直接针对问题编程的情况下赋予计算机学习能力的一个研究领域。

TomMitchell ：对于一个计算机程序来说，给他一个任务T和一个性能测量方法P，如果在经验E的影响下，P对T的测量结果得到了改进，那么就说该程序从E中学习。

总体上来讲，机器学习所采用的学习型算法相当有趣。它可以避免繁重的编程实现，通过相对简单的学习型算法来实现复杂的功能。

2.机器学习分为四个部分：

（1）supervised Learning （监督学习）
（2）Learning Theory （学习理论）
（3）Unsupervised Learning （无监督学习）
（4）Reinforcement Learning （强化学习）

3.supervised Learning （监督学习）的概念
我们给学习算法一个数据集，这个数据集由一组“正确答案”组成，这类机器学习算法就叫着监督学习。
监督学习是利用大量已知准确的样本来进行预测。
（1）回归问题
（2）分类问题

4.Learning Theory （学习理论）
通过学习理论，我们可以证明为什么学习型算法是有效的。同时也可以更好的利用机器学习这个工具。

5.Unsupervised Learning （无监督学习）
对于无监督学习，没有训练样本这样的概念，只有一堆数据。无监督学习主要的关注点在于寻找数据中的特殊结构，从而进行分类。也就是说，无监督学习主要关注的不是预测结果的正确性（在没有训练样本的前提下也没有准确性这个命题）而是分类的准确性。这里的主要问题是聚类问题。
聚类问题图

6.Reinforcement Learning （强化学习）
强化学习涉及到一个回报函数的问题。举个例子来说，当机器做出正确的模拟则予以奖励，错误的予以惩罚，经过一段时间训练后机器就能自动学习并做出正确的模拟方式。

注：对http://open.163.com/special/opencourse/machinelearning.html 公开课的总结