本文详细介绍了机器学习的基本概念，包括样本、特征、标记等关键术语，并探讨了机器学习的典型任务，如分类、回归和聚类。同时，文章还阐述了机器学习的不同学习范式，如监督式、非监督式和强化学习。
目录
6、样本集（sample set）、数据集（data set）
11、标记空间（label space）、输出空间（output space）：
13、训练数据（training data）、训练样本（training sample）、训练集（training set）：
14、测试（testing）、测试样本（testing sample）：
1、假设（hypothesis）、假设空间（hypothesis space）：
前言
有很多新手刚刚接触大数据与人工智能方向学习，如果不知道怎么着手的，跟我一起慢慢进步叭~
提示：以下是本篇文章正文内容，下面案例可供参考
一、什么是机器学习？
定义一：机器学习是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎么模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。
定义二：以P评价计算机程序关于某类任务T上的性能，如果某程序利用经验E使T中的任务获得了性能改善，则称该程序对经验E进行了学习。
定义三：机器学习是一门让计算机无需显式编程即可运行的科学。
定义四：机器学习是一种数据科学技术，它帮助计算机从现有数据中学习，从而预测未来的行为、结果和趋势。
二、机器学习的相关术语
1、样本（sample）、示例（instance）：
所研究对象的一个个体，相当于统计学中的实例。样本也称示例。
2、特征（feature）、属性（attribute）：
用于表征样本的观测，通常是数值表示的某些量化特征，特征也称属性。如大小，颜色等
3、属性值：
属性上的取值，即为属性值。如“大”“乌黑”等。
4、属性空间、样本空间、输入空间：
由属性张成的空间称为属性空间，又称样本空间或输入空间。
5、特征空间、样本点、特征向量、特征维数：
分别以每个特征作为一个坐标轴，所有特征所在坐标轴张成一个用于描述不同样本的空间，称为特征空间。
在该空间内，每个具体样本就对应空间的一个点，在这个意义下，也称样本为样本点。
每个样本点对应特征空间的一个向量，称为特征向量。
特征的数目即为特征空间的维数。
6、样本集（sample set）、数据集（data set）
若干样本构成的集合，成为样本集，又称数据集。
该集合的每个元素就是一个样本。
例：d维特征空间的m个观测样本构成样本集D，D={x1,x2,…,xm}，xi=[x11,x12,…,x1d]T
7、测试样本（testing sample）：
学得模型后，使用该模型进行预测的过程称为测试，被测试的样本则称为测试样本。
8、标记（label）：
前面的样本数据显然是不够的，要建立关于预测的模型，我们需获得训练样本的结果信息，例如（（色泽=青绿；根蒂=蜷缩），好瓜），这里的“好瓜”称为标记，拥有了标记信息的示例，则称为样例。
9、已知样本（known sample）
标签已知的样本，称为已知样本。
10、未知样本（unknown sample）
标签未知的样本，称为未知样本。
11、标记空间（label space）、输出空间（output space）：
一般地，用（xi,yi）表示第i个样例，所有标记的集合，称为标记空间，也称输出空间。
12、学习（learning）、训练（training）：
指从数据中学得模型的过程，通过执行某个学习算法来实现。
13、训练数据（training data）、训练样本（training sample）、训练集（training set）：
训练过程中使用的数据，称为训练数据。
训练数据中的每个样本，称为训练样本。
训练样本组成的集合，称为训练集。
最低0.47元/天 解锁文章
6015
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
