卡内基梅隆大学的Tom Mitchell提出一种机器学习的定义:一个程序被认为能从经验E中学习,解决任务T,达到性能度量值P,当且仅当,有了经验E后,经过P评判,程序在处理T时的性能有所提升。
根据Tom定义的机器学习定义:P(performance measure)是性能度量,T(task)是任务,E(experience)是经验。记住ETP。
机器学习最常使用:监督学习,无监督学习
监督学习:监督学习是人为教会机器该如何解决问题,找到解决问题的合适方法。主要有分类问题和回归问题两类。
分类问题:输出离散型变量;回归问题:输出连续型变量。本质都是对输出做出预测。
无监督学习:簇,聚类算法,“鸡尾酒会算法”,把数据交给算法。
簇和聚类算法:对于给定的数据集,机器学习给它们分成不同的簇,这就是聚类算法,就比如一个播放器播放出来的声音,里面有一个人说话和背景音乐,而机器学习可以把说话声音和背景音乐这两种声音分离出来。