机器学习初探

1. 定义
   机器学习是从早期的人工智能研究领域出来的。
   那么深度学习与及其学习又有什么样的联系呢？我们可以从下图中直观的看出：
   
   人工智能：
   弱人工智能：是能够与人一样，甚至比人更好地执行特定任务的技术。目前已经实现的基本术语此类，如pinterest上的图像分类；或者Facebook的人脸识别。
   强人工智能：拥有与人类智慧同样本质特性的机器，有着我们所有的感知，所有的理性，可以和我们一样思考。

   机器学习：
   最基本的做法，是使用算法来解析数据，从中学习，然后对真实世界中的事件作出决策和预测。
   用大量数据来“训练”，通过各种算法从数据中学习如何完成任务。
   最成功的应用领域是计算机视觉。

   深度学习：

   一种实现机器学习的技术
   “深度”就是神经网络中众多的层

2. 分类
   监督学习：就是人们常说的分类，通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价下是最佳的）再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对位置数据进行分类的能力。
   非监督学习：则是另一种研究的比较多的学习方法，它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。这听起来似乎有点不可思议，但是在我们自身认识世界的过程中很多处都用到了无监督学习。比如我们去参观一个画展，我们完全对艺术一无所知，但是欣赏完多幅作品之后，我们也能把它们分成不同的派别（比如哪些更朦胧一点，哪些更写实一些，即使我们不知道什么叫做朦胧派，什么叫做写实派，但是至少我们能把他们分为两个类）。无监督学习里典型的例子就是聚类了。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了。

参考资料：
【1】http://tech.163.com/16/0907/07/C0BHQND400097U80.html
【2】http://blog.csdn.net/jwh_bupt/article/details/7654120