今天开始学习机器学习，在网上找了很多视频还有书籍。由于本人不是计算机专业的学生，基础知识还是比较薄弱，但我非常想学习机器学习以及深度学习。最后还是选择了麦子学院的彭亮老师的《机器学习基础介绍》（以后简称机器学习课程）。说的挺好的，主要是通俗易懂。还选择了美国作者Miroslav Kubat的著作《机器学习导论》（以后简称机器学习书籍），再结合网络资源先学习一些基础课程，再开始我的深度学习之路吧。
1.1 机器学习介绍
本文主要是结合机器学习课程，以及网络资源了解机器学习。总结的不是太好，希望大家多多指教。
1，机器学习 （Machine Learning, ML)
1.1 概念：多领域交叉学科，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。
1.2 学科定位：人工智能(Artificial Intelligence, AI）的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
1.3 定义：探究和开发一系列算法来如何使计算机不需要通过外部明显的指示，而可以自己通过数据来学习，建模，并且利用建好的模型和新的输入来进行预测的学科。
学习是人类具有的一种重要智能行为，但究竟什么是学习，长期以来却众说纷纭。社会学家、逻辑学家和心理学家都各有其不同的看法。
(1)Arthur Samuel (1959): 一门不需要通过外部程序指示而让计算机有能力自我学习的学科
(2)Langley（1996) ： “机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”
(3)Tom Michell (1997): “机器学习是对能通过经验自动改进的计算机算法的研究”
1.4学习：针对经验E (experience) 和一系列的任务 T (tasks) 和一定表现的衡量 P，如果随之经验E的积累，针对定义好的任务T可以提高表现P，就说计算机具有学习能力。
2. 机器学习的应用：
3. 发展史
机器学习是人工智能研究较为年轻的分支，它的发展过程大体上可分为4个时期。
第一阶段是在20世纪50年代中叶到60年代中叶，属于热烈时期。
第二阶段是在20世纪60年代中叶至70年代中叶，被称为机器学习的冷静时期。
第三阶段是从20世纪70年代中叶至80年代中叶，称为复兴时期。
机器学习的最新阶段始于1986年。
4. 分类
基于学习策略的分类
学习策略是指学习过程中系统所采用的推理策略。一个学习系统总是由学习和环境两部分组成。由环境（如书本或教师）提供信息，学习部分则实现信息转换，用能够理解的形式记忆下来，并从中获取有用的信息。在学习过程中，学生（学习部分）使用的推理越少，他对教师（环境）的依赖就越大，教师的负担也就越重。学习策略的分类标准就是根据学生实现信息转换所需的推理多少和难易程度来分类的，依从简单到复杂，从少到多的次序分为以下六种基本类型：
1）机械学习 (Rote learning)
学习者无需任何推理或其它的知识转换，直接吸取环境所提供的信息。如塞缪尔的跳棋程序，纽厄尔和西蒙的LT系统。这类学习系统主要考虑的是如何索引存贮的知识并加以利用。系统的学习方法是直接通过事先编好、构造好的程序来学习，学习者不作任何工作，或者是通过直接接收既定的事实和数据进行学习，对输入信息不作任何的推理。
2）示教学习 (Learning from instruction或Learning by being told)
学生从环境（教师或其它信息源如教科书等）获取信息，把知识转换成内部可使用的表示形式，并将新的知识和原有知识有机地结合为一体。所以要求学生有一定程度的推理能力，但环境仍要做大量的工作。教师以某种形式提出和组织知识，以使学生拥有的知识可以不断地增加。这种学习方法和人类社会的学校教学方式相似，学习的任务就是建立一个系统，使它能接受教导和建议，并有效地存贮和应用学到的知识。不少专家系统在建立知识库时使用这种方法去实现知识获取。示教学习的一个典型应用例是FOO程序。
3）演绎学习 (Learning by deduction)
学生所用的推理形式为演绎推理。推理从公理出发，经过逻辑变换推导出结论。这种推理是"保真"变换和特化(specialization)的过程，使学生在推理过程中可以获取有用的知识。这种学习方法包含宏操作(macro-operation)学习、知识编辑和组块(Chunking)技术。演绎推理的逆过程是归纳推理。
4）类比学习 (Learning by analogy)
利用二个不同领域（源域、目标域）中的知识相似性，可以通过类比，从源域的知识（包括相似的特征和其它性质）推导出目标域的相应知识，从而实现学习。类比学习系统可以使一个已有的计算机应用系统转变为适应于新的领域，来完成原先没有设计的相类似的功能。
类比学习需要比上述三种学习方式更多的推理。它一般要求先从知识源（源域）中检索出可用的知识，再将其转换成新的形式，用到新的状况（目标域）中去。类比学习在人类科学技术发展史上起着重要作用，许多科学发现就是通过类比得到的。例如著名的卢瑟福类比就是通过将原子结构（目标域）同太阳系（源域）作类比，揭示了原子结构的奥秘。
5）基于解释的学习 (Explanation-based learning, EBL)
学生根据教师提供的目标概念、该概念的一个例子、领域理论及可操作准则，首先构造一个解释来说明为什该例子满足目标概念，然后将解释推广为目标概念的一个满足可操作准则的充分条件。EBL已被广泛应用于知识库求精和改善系统的性能。
著名的EBL系统有迪乔恩（G.DeJong）的GENESIS,米切尔（T.Mitchell）的LEXII和LEAP, 以及明顿（S.Minton）等的PRODIGY。
6）归纳学习 (Learning from induction)
归纳学习是由教师或环境提供某概念的一些实例或反例，让学生通过归纳推理得出该概念的一般描述。这种学习的推理工作量远多于示教学习和演绎学习，因为环境并不提供一般性概念描述（如公理）。从某种程度上说，归纳学习的推理量也比类比学习大，因为没有一个类似的概念可以作为"源概念"加以取用。归纳学习是最基本的，发展也较为成熟的学习方法，在人工智能领域中已经得到广泛的研究和应用。
5. 机器学习任务
- 监督学习：计算机提供示例输入和他们期望的输出，由“教师”给出，目标是学习将输入映射到输出的一般规则。作为特殊情况，输入信号只能部分提供，或者仅限于特殊反馈：
- 半监督式学习：计算机只能得到一个不完整的训练信号：训练集中有一些（经常是很多）目标输出缺失。
- 主动学习：计算机只能获得有限的一组实例（基于预算）的培训标签，并且还必须优化其所选对象以获取标签。交互使用时，这些可以呈现给用户进行标记。
- 强化学习：训练数据（以奖励和惩罚的形式）仅作为对动态环境中的程序行为的反馈，例如驾驶汽车或与对手玩游戏。[5]：3
- 无监督学习：没有标签给学习算法，只留下它自己的输入结构。无监督学习本身可以是一个目标（发现数据中的隐藏模式）或达到目的的一种手段（特征学习）。
6. 研究领域
机器学习领域的研究工作主要围绕以下三个方面进行：
（1）面向任务的研究
研究和分析改进一组预定任务的执行性能的学习系统。
（2）认知模型
研究人类学习过程并进行计算机模拟。
（3）理论分析
从理论上探索各种可能的学习方法和独立于应用领域的算法
机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展 。
7. 方法
决策树学习
关联规则学习
人工神经网络
深度学习
归纳逻辑编程
支持向量机
聚类
贝叶斯网络
强化学习
表示学习
相似性和度量学习
稀疏字典学习
遗传算法
基于规则的机器学习
学习分类器系统
8. 置业市场需求：
LinkedIn所有职业技能需求量第一：机器学习，数据挖掘和统计分析人才
参考资料：
[1] 麦子学院“机器学习基础介绍”视频http://www.maiziedu.com/course/373/
[2] 百度百科“机器学习”https://baike.baidu.com/item/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/217599?fr=aladdin
[3]维基百科“机器学习”https://en.wikipedia.org/wiki/Machine_learning
本博文是博主个人学习时的一些记录，不保证是为原创，文章加入了转载的源地址还有个别文章是汇总网上多份资料所成，在这之中也必有疏漏未加标注者，如有侵权请与博主联系。