机器学习概论1——简介

机器学习概论系列主要整理机器学习方面的一些理论知识，而具体实现则主要在PyTorch学习笔记中记录。本篇是机器学习学习笔记系列第一篇，本篇在观看了读芯术AI网课后整理而成。

1、机器学习定义

机器学习是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新知识或技能，重新组织已有的知识结构使之不断改善自身的性能。——from百度百科

机器学习是通过训练数据集来训练模型，在遇到未知数据时，通过训练好的模型来得出结果。
学习的重点在于学习这个模型（ 即f(x) ），其由三部分组成

1. 模型定义：针对具体问题所作的假设空间，即确定要训练的模型
2. 策略：对模型学习结果的评价标准，引导模型的学习方向
3. 算法：如何求解模型参数

2、机器学习方法分类

1. 有监督学习：从给定的有标签（label）的训练数据集中学习出一个函数（模型参数），当新的数据到来时可以根据这个函数预测结果。常见任务包括分类与回归 ，如鸢尾花分类，房价预测
2. 无监督学习：没有标签的训练数据集，需要根据样本间的统计规律对样本集进行分析，常见任务如聚类等。
3. 半监督学习：结合（少量的）标签训练数据和（大量的）无标签数据来进行数据的分类学习
   
4. 增强学习：外部环境对输出只给出评价信息而非正确答案，学习机通过强化受奖励的动作来改善自身的性能 。类似于小孩子走路，成功走一步后将会获得奖励，以此来告诉他这个动作的正确性。如：游戏AI