机器学习理论基础

一、机器学习的概念

　　1、什么是学习？

　　　　--从人的学习说起

　　　　--学习理论；从实践中总结

　　　　--在理论上推导；在实践中检验

　　　　--通过各种手段获取知识或技能的过程

　　2、机器怎么学习？

　　　　--处理某个特定的任务，以大量的“经验”为基础

　　　　--对任务完成的好坏，给予一定的评判标准

　　　　--通过分析经验数据，任务完成的更好了

　　3、机器学习的开端

　　　4、机器学习的定义

　　　　机器学习 Machine Learning,ML)主要研究计算机系统对于特定任务的性能,逐步进行改善的算法和统计模型。通过输入海量训练数据对模型进行训练,使模型掌握数据所蕴含的潜在规律,进而对新输入的数据进行准确的分类或预测。是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸优化、算法复杂度理论等多门学科。专门硏究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。

　　　5、机器学习的过程

二、机器学习的主要分类

　　1、机器学习的主要分类

　　2、无监督学习

　　　　无监督学习( Unsupervised Learning)算法采用一组仅包含输入的数据,通过寻找数据中的内在结构来进行样本点的分组或聚类。算法从没有被标记或分类的测试数据中学习。无监督学习算法不是响应反馈,而是要识别数据中的共性特征;对于一个新数据,可以通过判断其中是否存在这种特征,来做出相应的反无监督学习的核心应用是统计学中的密度估计和聚类分析。

　　3、无监督学习的应用

　　4、监督学习

　　监督学习( Supervised Learning)算法构建了包含输入和所需输出的一组数据的数学模型。这些数据称为训练数据,由一组训练样本组成。监督学习主要包括分类和回归。当输出被限制为有限的一组值(离散数值)时使用分类算法;当输出可以具有范围内的任何数值(连续数值)时使用回归算法相似度学习是和回归和分类都密切相关的一类监督机器学习,它的目标是使用相似性函数从样本中学习,这个函数可以度量两个对象之间的相似度或关联度。它在排名、推荐系统、视觉识别跟踪、人脸识别等方面有很好的应用场景。

三、监督学习深入介绍

　　1、监督学习三要素