一、机器学习应用
1、机器学习技术正在支撑着各类搜索引擎(尤其是贝叶斯学习技术)等
2、机器实际上是一个应用驱动的学科,其根本的驱动力是:“更多、更好地解决实际问题”。由于近20年的飞速发展,机器学习已经具备了一定的解决实际问题的能力,似乎逐渐开始成为一种基础性、透明化的“支持技术、服务技术”。
基础性:在众多的学科领域都得以应用(“无所不在”)
透明化:用户看不见机器学习,看见的是防火墙、生物信息、搜索引擎;(“无所不在”)
“机器更好用了”(正如CALO的一些描述:“you won’t leave home without it”;”embodied as a software environment that transcends workstations,PDA’s, cell phones, …”)
二、机器学习的主要策略与基本结构
1、机器学习的主要策略
2、机器学习系统的基本结构
三、学习问题的标准描述
1、定义
如果一个计算机针对某类任务T,用P来衡量性能,根据经验E来自我完善,那么我们称这个计算机程序在从经验E中学习,针对某类任务T,它的性能用P来衡量。
2、西洋跳棋学习问题的解释:
E,和自己下棋
T,参与比赛
P,比赛成绩(或赢棋能力,击败对手的百分比)
3、手写识别学习问题
4、机器人驾驶学习问题
四、有监督学习与无监督学习
1、有监督学习
在样本标签已知的情况下,可以统计出各类训练样本不同的描述量,如其概率分布,或在特征空间分布的区域等,利用这些参数进行分类器设计,称为有监督的学习方法。
2、无监督学习
然而在实际应用中,不少情况下无法预先知道样本的标签,也就是说没有训练样本
因而只能从原先没有样本标签的样本集开始进行分类器设计,这就是通常说的无监督学习方法
对一个具体问题来说有监督与无监督的作法是不相同的