本文探讨了机器学习和模式识别在人工智能中的角色，强调了统计机器学习的重要性。介绍了模型的选择问题，如线性函数和复杂函数（如高斯函数）及其挑战，以及核函数如何解决维数灾难。此外，文章讨论了神经网络的发展历程，从感知器到深度学习，特别是深度学习在图像识别和语音识别等领域的应用。
机器学习以及模式识别均属于人工智能范畴，机器学习源自于计算机科学，
模式识别源自于工程学，尽管这两者源自于不同的背景，但这两者可以认为是同一个领域下的不同描述。
从上世纪九十年代，统计机器学习开始成为主流
统计机器学习的形象解释：如果说一个事物背后有一个函数决定了它的特性，那么我们不再需要研究这个函数究竟是什么形式，只要有足够多的数据，通过统计方法，选取恰当的模型，我们便可以在一定程度上拟合出这个函数，尽管我们拟合出的函数在大多数情况下都不等价于事物的本质函数，但如果它能在可允许的误差范围内正常工作，这就足够了。
统计机器学习的本质：统计学习使得工作重心转为寻找合适的模型上，其本质是"经验风险最小化"。也就是说，我们应该如何寻找一个合适的模型，使得测试误差最小化？
模型分为两种：
最低0.47元/天 解锁文章
扫一扫
175
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
