机器学习初步了解

机器学习历经70年的曲折发展，以深度学习为代表借鉴人脑的多分层结构、神经元的连接交互信息的逐层分析处理机制，自适应、自学习的强大并行信息处理能力，在很多方面收获了突破性进展，其中最有代表性的是图像识别领域。

近几年来的机器学习与大数据相结合，使得机器学习往着一个新的方向继续发展，朝着多大规模数据的处理和数据的深层次分析更进一步。

器学习算法通常分为以下三大类：

1. 有监督学习：需要从有标签的数据中学到或者建立一个模式。
2. 无监督学习：数据是无标签的，机器学习算法需要先将数据分类，然后对数据结构进行描述，使复杂的数据看起来简单，以便进行后续分析工作。
3. 强化学习：与监督学习相似，通过不断地探索学习，从而获得一个好的策略。

机器学习应用的行业

数据分析与挖掘

将计算机科学技术与统计学相结合，依据计算机可以快速处理和储存大规模数据的优点，对海量的数据进行分析并从里面提取出有用的信息，对我们产生更多的帮助。

模式识别

    第一种是是研究生物体，就是对人体的一些行为进行感知从而进行认知，第二种是通过固定的公式和模板来对事物进行认知和识别。

在生物信息学上的应用

随着基因组和其他测序项目的不断发展，生物信息学研究的重点正逐步从积累数据转移到如何解释这些数据。在未来，生物学的新发现将极大地依赖于我们在多个维度和不同尺度下对多样化的数据进行组合和关联的分析能力，而不再仅仅依赖于对传统领域的继续关注。序列数据将与结构和功能数据基因表达技术、生化反应通路数据表现型和临床数据等一系列数据相互集成。如此大量的数据，在生物信息的存储、获取、处理、浏览及可视化等方面，都对理论算法和软件的发展提出了迫切的需求。另外，由于基因组数据本身的复杂性也对理论算法和软件的发展提出了迫切的需求。而机器学习方法例如神经网络、遗传算法、决策树和支持向量机等正适合于处理这种数据量大、含有噪声并且缺乏统一理论的领域。