Machine Learning是一门无需明确编程就能让计算机行动的科学。在过去的十年里，机器学习给我们带来了自动驾驶汽车，实用的语音识别，有效的网络搜索，以及对人类基因组的巨大了解。机器学习在今天是如此普遍，以至于你可能在不知情的情况下一天使用它几十次.
Machine Learning 基本概念
<hr/>1. Machine Learning和Traditional Programming区别
1. Traditional Programming: 在计算机上运行数据和程序来产生输出。
2. Machine Learning:在计算机上运行数据和输出来创建一个程序。该程序可用于传统程序设计。
<hr/>2. Machine Learning的关键要素
如今有数万种Machine Learning算法，同时每年还有数百种新的算法开发出来。
每一种Macine Learning算法都是由三部分组成。
- Representation(表示): 如何表示知识。
- 包括决策树(Decision Trees)
- 规则集(Sets of Rules)、实例(Instances)
- 图形模型(Graphical Models)
- 神经网络(Neural Networks)
- 支持向量机(Support Vector Machines)
- 模型集合(Model ensembles)等
- Evaluation(评估): 评估候选方案(假设)的方法。
- 准确性(accuracy)
- 预测和回忆(prediction and recall)
- 平方误差(squared error)
- 似然(likelihood)
- 后验概率(posterior probability)
- 成本(cost)
- 边际(margin)
- 熵k-L散度(entropy k-L divergence)
- Optimization(优化): 候选程序的生成方式称为搜索过程。
- 组合优化(combinatorial optimization)
- 凸优化(convex optimization)
- 约束优化(constrained optimization)
<hr/>3. Machine Learning类型
Machine Learning有四种类型()
1.监督学习(Supervised learning)
2.非监督学习(Unsupervised learning)
3.理论学习(Learning Theory, Semi-supervised learning) 4.强化学习(Reinforcement learning)
由于给学习算法的例子没有明确分类，因此没有直接的方法将无监督学习与监督学习和强化学习区别开来的一个特性。
扫描二维码，关注公众号。
 |
