问题一:什么是统计学习、机器学习、以及它们的区别?
机器学习的几种定义:
- 机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能,特别是如何在经验学习中改善具体算法的性能。
- 机器学习是对能通过经验自动改进的计算机算法的研究。
- 机器学习是用数据或以往的经验,以此优化计算机程序的性能标准。
统计学习理论:
统计学习理论是一种研究训练样本有限情况下的机器学习规律的学科。它可以看作是基于数据的机器学习问题的一个特例,即有限样本情况下的特例。
学习的统计性能:
- 通过有限样本能否学习得到其中的一些规律?
- 学习算法的收敛性:学习过程是否收敛?收敛的速度如何?
- 学习过程的复杂性:学习器的复杂性、样本的复杂性、计算的复杂性。
二者的区分:
机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多推论问题属于无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。
问题二:解释监督学习、无监督学习、强化学习,每个举个例子?
监督学习(英语:Supervised learning)ÿ