机器学习概述

机器学习的本质

• 机器学习是为了设计解决问题的算法。
  • 为输入与输出建立某种映射：

    • 类似于函数关系：

      $Y=f(X)$

    • 不同的映射方法体现了不同的思想。

相关概念

• 深度学习是机器学习的一个分支
  • 深度学习是深层次化的神经网络。
  • 神经网络是机器学习的组成部分。

• 数据挖掘 Data Mining
  • 机器学习方法在大数据库中的应用称为数据挖掘
• 模式识别 Pattern Recognition
  模式：对应一个实体的类别。
  • 识别的效果依赖于分类模型的种类和模型的训练；分类模型的训练就是一种机器学习过程

经典应用

• 关联性：
  • 多个事件之间的关联。关联规则（Association Rule）。体现统计学上的条件概率$P(Y|X)$。
• 分类
• 回归分析

机器学习的种类

• 有监督学习
  • 学习过程没有指导，提供先验信息。
  • 贝叶斯模型、支持向量机、决策树、神经网络。
  • 主要用于分类和回归分析。
• 无监督学习
  • 学习过程没有任何指导。
  • 输入的学习样本没有任何先验知识。
  • 统计学中称之为密度估计（density estimation）。
  • 数据挖掘中称之为聚类（clusting）。
• 强化学习
  • 通过学习选择能达到其目标的最优动作。
  • 从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大。
  • 单个动作不重要，重要的是策略，即达到目标的正确动作的序列。