• 首页>
  • 机器学习小知识

机器学习小知识

夏初临 2018-12-22 16:24 机器学习，人工智能

机器学习小知识



    机器学习（Machine Learning）涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研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。


01

机器学习方法

     

机器学习方法分为四种：
监督学习
无监督学习
半监督学习
强化学习

     

A
监督学习

      定义：从给定的训练数据集（数据集有输入和输出数据）中学习出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。      

      监督学习的目标往往是让计算机去学习我们已经创建好的分类系统（模型），其类别有分类（classification）和回归（regression），主要算法有回归模型，逻辑回归，决策树，支持向量机（SVM）match，神经网络等。

B
无监督学习
      无监督学习：对于无标签的数据集（数据集中只有输入）进行学习，目的是不仅能够解决有明确答案的问题，也可以对没有明确答案的问题进行预测，主要用于聚类分析，算法有聚类算法、降维算法等。
C
半监督学习

      半监督学习：输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。 

      应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。

D
强化学习

      在强化学习下，输入数据直接反馈到模型，模型必须对此立刻作出调整。

     常见的应用场景包括动态系统以及机器人控制等。常见算法包括Q-Learning以及时间差学习（Temporal difference learning）。


03

机器学习思维


      让我们把机器学习的过程与人类对历史经验归纳的过程做个比对。

机器学习.png

     人类在成长、生活过程中积累了很多的历史与经验。人类定期地对这些经验进行“归纳”，获得了生活的“规律”。当人类遇到未知的问题或者需要对未来进行“推测”的时候，人类使用这些“规律”，对未知问题与未来进行“推测”，从而指导自己的生活和工作。

     机器学习中的“训练”与“预测”过程可以对应到人类的“归纳”和“推测”过程。通过这样的对应，我们可以发现，机器学习的思想并不复杂，仅仅是对人类在生活中学习成长的一个模拟。由于机器学习不是基于编程形成的结果，因此它的处理过程不是因果的逻辑，而是通过归纳思想得出的相关性结论。

02

机器学习范围


       其实，机器学习跟模式识别，统计学习，数据挖掘，计算机视觉，语音识别，自然语言处理等领域有着很深的联系。

机器.png 
a

模式识别=机器学习




   

       两者的主要区别在于前者是从工业界发展起来的概念，后者则主要源自计算机学科。

b

数据挖掘=机器学习+数据库





       大部分数据挖掘中的算法是机器学习的算法在数据库中的优化。

c

统计学习近似等于机器学习





      这个分别在于：统计学习者重点关注的是统计模型的发展与优化，偏数学，而机器学习者更关注的是能够解决问题，偏实践，因此机器学习研究者会重点研究学习算法在计算机上执行的效率与准确性的提升。

d

计算机视觉=图像处理+机器学习





      图像处理技术用于将图像处理为适合进入机器学习模型中的输入，机器学习则负责从图像中识别出相关的模式。计算机视觉相关的应用非常的多，例如百度识图、手写字符识别、车牌识别等等应用。

e

语音识别=语音处理+机器学习



      

       

       语音识别就是音频处理技术与机器学习的结合。语音识别技术一般不会单独使用，一般会结合自然语言处理的相关技术。目前的相关应用有苹果的语音助手siri等。 

f

自然语言处理=文本处理+机器学习





      自然语言处理技术主要是让机器理解人类的语言的一门领域。在自然语言处理技术中，大量使用了编译原理相关的技术，例如词法分析，语法分析等等，除此之外，在理解这个层面，则使用了语义理解，机器学习等技术。


—END—




夏初临 选取沧海与蓝天的色泽。

为你推荐