机器学习

PS:最近在看台大李宏毅老师和吴恩达老师的机器学习课程，同时也看了点周志华老师的西瓜书以及动物书，也浏览了知乎上很多答案，由于看的内容不及几分，还有很多继续看完学完，只是算是基本有了些了解，明白了机器学习和数据挖掘，数据分析的区别，以及深度学习与机器学习的区别，机器学习中入门概念等。还是一边总结一边学习。事实上，做笔记还是电子更方便，也更容易补充，但是做计划我还喜欢写出来。——7.16

1.机器学习

• 从字面意义上来讲，机器学习是一门让计算机通过重复学习，从而模拟或实现人类的学习操作的一门学科。
• 分为监督学习和无监督学习，监督学习和无监督学习区别在数据是否有标签（label），监督学习为先通过已知的训练样本（如已知输入和对应的输出）来训练，从而得到一个最优模型，也就从众多假设中找到最合适的假设，再将这个模型应用在新的数据上，用于对测试数据预测出最接近真相的结果。无监督学习相比于有监督，没有训练的过程，而是直接拿数据进行建模分析，意味着这些都是要通过机器学习自行学习探索。

2.机器学习与数据挖掘

• 机器学习，更注重于模型的训练, 偏于过程。
• 数据挖据，更注重于获得有效数据，重在目的。
• 实际上，数据挖掘=大数据+机器学习，（大数据是对各种数据的一种描述），实际并没有明显的界限。
• 大数据是指在从大量数据中寻找“有趣的信息”，而机器学习是实现数据挖掘的途径。

3.机器学习与深度学习

• 机器学习(Machine Learning，ML)是人工智能的子领域，也是人工智能的核心。它囊括了几乎所有对世界影响最大的方法(包括深度学习)。机器学习理论主要是设计和分析一些让计算机可以自动学习的算法。

  举个例子，假设要构建一个识别猫的程序。传统上如果我们想让计算机进行识别，需要输入一串指令，例如猫长着毛茸茸的毛、顶着一对三角形的的耳朵等，然后计算机根据这些指令执行下去。但是如果我们对程序展示一只老虎的照片，程序应该如何反应呢？更何况通过传统方式要制定全部所需的规则，而且在此过程中必然会涉及到一些困难的概念，比如对毛茸茸的定义。因此，更好的方式是让机器自学。

  我们可以为计算机提供大量的猫的照片，系统将以自己特有的方式查看这些照片。随着实验的反复进行，系统会不断学习更新，最终能够准确地判断出哪些是猫，哪些不是猫。

• 深度学习(DeepLearning，DL)属于机器学习的子类。它的灵感来源于人类大脑的工作方式，是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并非是一个全新的概念，可理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法以及激活函数等方面做出了调整。其目的在于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，如文本、图像、声音。

• （第3部分该部分来源https://baijiahao.baidu.com/s?id=1624500448515634322&wfr=spider&for=pc）