人工智能基础第二版《Foundations of Machine Learning》

介绍

        本章对机器学习进行了初步介绍，包括一些关键学习任务和应用场景的概述、基本定义和术语，以及对一些一般场景的介绍。

1.1什么是机器学习

        机器学习可以被广泛地定义为使用经验来提高行性能或做出正确预测的计算方法。在这里，经验是指学习者可以获得的过去的信息，这些信息经常采用电子数据的形式搜集起来供分析使用。这些数据可以是数字化的人类标记的训练集的形式，或者通过与环境的交互获得的其他类型的信息。在所有的例子中，它的质量和规模对学习者做出的预测的成功至关重要。这里，经验是指学习者可以获得的过去的信息，这些信息通常采用电子数据的形式收集起来供分析使用。这些数据可以是数字化的人类标记训练集的形式，或者通过与环境的交互获得的其他类型的信息。在所有的情况下，它的质量和规模对学习者做出的预测的成功至关重要。

        一个关于学习问题的例子是如何使用随机选择的文件的有限样本，每一个文件都标记了一个主题，以便精确地预测未知文件的主题。显然，如果这个样本越大，那么任务就越容易。但是这个任务的难度还取决于分配给文件中样例标签的质量，因为标签可能并不是完全正确的，并且是在有限的主题数量下标记的。

        机器学习包括设计高效、准确的预测算法。与计算机科学的其他领域一样，这些算法时间复杂度和空间复杂度上的性能是算法质量评估的关键指标。但是，在机器学习中，我们还需要一个样例的复杂性的概念来评估算法学习的一系列概念所需的样本大小。总之，算法的理论取决于复杂度和样本的规模。

        由于学习算法的成功依赖于使用数据，因此机器学习本质上和数据的分析和统计有关。进一步说，学习技术是数据驱动的方法，这些方法融合了计算机科学的基础学科概念，如统计学和概率和优化思想。

1.2机器学习可以解决什么样的问题

        机器学习能做的不止是预测项目的标签，为项目分类，而是能再实践应用领域有很广泛的意义，比如说：

• 文本项目分类。这包含了例如为一篇文章或者一个项目分配一个主题，或者自动找出不正确或者比较模糊网页内容；它同样包含了广泛的侦察范围。
• 自然语言处理（NLP/Natural language processing）。许多在这个领域的课题，包括标记部分演讲、识别实体姓名、剖析上下文无关内容、或者剖析独立内容，这些都扮演了学习问题的角色。在这些问题中，预测是有结构的。举个例子，在标记部分演讲中，语句的预测是每个单词标签的有序排列；而剖析上下文无关内容的预测是一棵树。这些更加丰富的学习问题的例子都被作为结构预测问题。
• 语音处理应用。这包括语音识别，语音合成，说话人验证，说话人识别，以及如语言建模和声音建模的子问题。

• 计算机视觉应用。这包括目标识别，物体识别、人脸检测，光学字符识别（OCR技术），基于内容的图像检索或姿态估计。
• 计算机生物学应用。这包括蛋白质功能预测，关键位点的鉴定， 基因和蛋白质网络分析。
• 还能解决其他问题，如信用卡欺诈检测，电信保险诈骗，网络入侵，学习下双路棋、围棋，自动控制机器人或者车辆，药物诊断，推荐系统、搜索引擎、信息提取系统的设计，都能通过机器学习技术得以解决。