机器学习的主要任务是回归和分类以及聚类。
学习机器学习的目的要清晰,比如:应用于鉴别垃圾邮件、用图像进行人脸识别、电商网站的推荐等。(这些应用都是从数据中学习到的结果)
了解机器学习适合的应用场景,明确它可以做什么、不能做什么也很重要。
机器学习的基础理论和算法不是新出现的,由于计算机擅长处理重复的任务,同时计算机具备能够收集大量数据的环境以及具备了能够处理大量数据的环境,所以可以比人类更高效地读取大量数据、学习数据的特征并且从中找出数据的模式。这样的方式成为机器学习或者模式识别。
数据在机器学习中是很重要的一部分,当我们打算采用机器学习的方法去做什么事情的时候,首先需要的就是数据,因为机器学习就是从数据中找出特征和模式的技术。
回归
:是处理连续数据和时间序列数据时使用的数据(股价预测)
分类
:二分类/多分类(识别明信片上手写的邮政编码)
聚类
:和分类的区别是数据带不带标签
有监督学习
:使用有标签的数据进行的学习)(回归/分类)
无监督学习
:使用无标签的数据进行的学习(聚类)
应用到的知识有:概率统计/线性代数/微分