机器学习笔记（一）机器学习简介

机器学习

1、什么是机器学习

机器学习是一种构建智能系统的技术设计。他的目标是是机器能够自己做出决定。这些系统还具有从过去的经验中学习或分析数据的额能力。

2、数据挖掘和机器学习的区别

• 数据挖掘是识别大量数据中的模式以从这些模式中提取有用信息的过程。它可能包括人工智能，机器学习，神经网络和统计技术。数据挖掘的基础是真实世界的数据。它可能从机器学习和统计学中获得灵感和技术，但却被置于不同的目的。一个人在特定情况下对特定数据集进行数据挖掘。目标是利用机器学习的各种模式识别技术的力量。
• 但机器学习过程是开发人工智能的一种方法。我们使用机器学习算法来开发新的算法和技术。这些允许机器从分析的数据或经验中学习。大多数需要智力的任务必须具备从经验中获取新知识的能力。因此，AI内的大面积是机器学习。这包括研究可以在没有在线人工指导的情况下提取信息的算法。
• 机器学习涉及算法的研究，设计和开发。这些使计算机无需明确编程即可学习。数据挖掘从非结构化数据开始，并尝试提取知识或有趣的模式。在此过程中，我们使用机器学习算法。

3、机器学习类型

• 1. 监督学习 - 在这里，我们可以向计算机提供示例输入及其所需的输出，由“老师”给出。其目标是学习将输入映射到输出的一般规则。垃圾邮件过滤是监督学习的一个例子。在特定分类中，学习算法与标记为“垃圾邮件”或“非垃圾邮件”的电子邮件消息一起出现。这是为了生成一个计算机程序，将看不见的邮件标记为垃圾邮件。分类问题是监督学习任务的另一个标准公式。在这里，学习者需要学习将向量映射到几个类之一的函数。他可以通过查看函数的几个输入输出示例来做到这一点。

• 2. 无监督学习 - 在这种情况下，学习算法没有给出标签，只能将其留给可以有效可视化的类似输入（聚类），密度估计或高维数据投影的组。无监督学习本身可以成为一个目标（发现数据中的隐藏模式）或达到目的的手段。主题建模是无监督学习的一个例子，其中给予程序一个人类语言文档列表，并且负责找出哪些文档涵盖类似主题。
  在这里，通过检测输入数据的规律性和基于这些推论开发模式来进行学习。观察到重复出现图案的规律性。更常出现的模式用于进行预测。这种方法也称为密度估计方法。像聚类这样的几种方法可用于密度估计。

  • 3. 强化学习 - 在此，计算机程序与动态环境交互。在这方面，它必须执行一定的目标，而没有老师明确告诉它是否已接近其目标。
    让我们考虑机器人导航的情况。机器人可以进行非常精确的动作来执行任务。然而，机器人必须学会通过反复测试来执行这些运动。它运用从中获得的知识来提高其效率。这是强化学习的基础。在机器人导航和其他类似系统中，例如自动驾驶汽车，传感器门的输出不限于单个动作。它可能包含一系列操作。

4、机器学习方法

• 决策树学习（Decision Tree Learning）
• 支持向量机（support vector machine）
• 人工神经网络
• 电感逻辑编程
• 强化学习
• 聚类
• 相似性和度量学习
• 贝叶斯网络
• 表征学习
• 稀疏字典学习

5、结论

由于新计算技术的发展，机器学习也会发生变化。早期机器学习是计算机无需编程即可完成特定任务即可学习的理论，但现在对人工智能感兴趣的研究人员希望了解计算机是否可以从数据中学习。他们从以前的计算中学习，以产生可靠的决策和结果。这是一门并不新鲜的科学 - 但它正在获得新的动力。