以上为机器学习中的各种缩略词说明。
1、定义
机器学习（Machine Learing）是一门多领域交叉类的学科，涉及了概率论，计算机视觉，自然语言处理，统计学，算法等多门学科，是研究计算机如何模拟或者实现人类的学习行为，来获得新的知识或者技能，重新组织已经有的知识结构来不断完善的过程。【1】
机器学习是人工智能的一个分支。人工智能的研究是从以“推理”为重点到以“知识”为重点，再到以“学习”为重点，一条自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。
机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。【2】
2、分类
机器学习可以分成下面几种类别：
- 监督学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。
监督学习和非监督学习的差别就是训练集目标是否人标注。他们都有训练集 且都有输入和输出
- 无监督学习与监督学习相比，训练集没有人为标注的结果。常见的无监督学习算法有聚类。
- 半监督学习介于监督学习与无监督学习之间。
- 增强学习通过观察来学习做成如何的动作。每个动作都会对环境有所影响，学习对象根据观察到的周围环境的反馈来做出判断。
3、算法
具体的机器学习算法有：
- 构造间隔理论分布：聚类分析和模式识别
- 构造条件概率：回归分析和统计分类
- 通过再生模型构造概率密度函数：
- 近似推断技术：
- 最优化：大多数以上方法，直接或者间接使用最优化算法。
- 关于各类算法介绍：http://blog.jobbole.com/108395/
- 【1】吕峰，基于Android手机和机器学习的室内室外运动状态分类系统
- 【2】维基百科
扫一扫
211
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
