机器学习概述

背景介绍

机器学习是人工智能的子方向之一，人工智能整体大致方向如下：

机器学习：人工智能最核心的领域，计算机无需编程，自我学习的过程，另外还有深度学习和强化学习两个分支，分别侧重用神经网络模型提取特征和在环境中找到最优策略。

计算机视觉：计算机处理图片或视频信息图像的能力，该领域近几年应用十分广泛，无人驾驶，人脸识别等，都以此技术为基础。

自然语言处理：让计算机理解人类语言的方法，最近火爆的各种人工智能交互软件都是得益于该技术的进步，让计算机能够理解人类语言并给予反馈，好像得到了一个真正的人工智能，但其本质只是自然语言处理上的进步而已，离真正的智能还远得很。

整体框架

机器学习大致可以分为有监督学习和无监督学习两种，其中有监督学习应用最为广泛，二者的差别在于数据是否设定正确的标签。

有监督学习

学习的数据有特征，也有其应有的正确答案，计算机会根据数据近似计算出一个表达式，用于预测新数据的正确答案，建立表达式也就是曲线的过程称为拟合，使用在线工具拟合示例如下：

根据预测结果的可能多少，又可以具体分为回归和分类两种，回归是指从无限可能中预测一个数字，计算机根据已有数据建立一条具体表达式来实现预测；而分类是从多种可能的输入输出中找到规律，预测输入数据的一种可能。

不论学术性，经济角度有监督学习是最有利的，目前在线广告的推送算法预测用户是否会点击， 自动驾驶根据视觉图像判断汽车位置，都是使用该方法，该方案适合有明确要求的场景。

无监督学习

给定的数据没有明显标签，需要计算机自行判断模式或结构，即有输入而不带正确答案，计算机自行组合相近的数据，指定组合规则，可用于新闻主题的探测，具体有聚类，异常检测，和降维等应用方向。

总结

本节介绍了机器学习在人工智能领域的位置，及其他相关方向，以及具体的两种实现方法，有监督和无监督，后续将分别对两种方法的具体算法进行研究和学习。