【人工智能】机器学习概述

目录

一、人工智能领域概述：

1.机器学习概述：

2.机器学习问题：

3.机器学习种类：

4.基于实例的学习和基于模型的学习：

二、机器学习的一般过程：

数据处理：

机器学习：

业务运维：

三、：机器学习的典型应用：

四、机器学习的基本问题：

---

一、人工智能领域概述：

1.机器学习概述：

机器学习是一门能够让编程计算机从数据中学习的计算机科学。

一个计算机程序在完成任务T之后，获取经验E，其表现效果为P，如果任务T的性能表现，也就是以衡量的P，随着E增加而增加，那么这样计算机程序就被称为机器学习系统。

自我完善，自我增进，自我适应。

2.机器学习问题：

• 建模问题：

所谓i机器学习，在形式上可以理解：在数据对象中通过统计或推理的方法，寻找一个接收特定输入X，并给出预期输出Y的功能函数f，即Y = f（X）。

• 评估问题：

针对已知的输入，函数给出的输出（预测值）与实际输出（目标值）之间存在一定的误差，因此需要构建一个评估体系，根据误差的大小判定函数的优劣。

• 优化问题：

学习的核心问题在于性能的改善，通过数据对算法的反复锤炼，不断提升函数预测的准确性，直至获得能够满足实际需求的最有解，这个过程就是机器学习。

3.机器学习种类：

• 监督学习：

用已知输出评估模型的性能。

• 无监督学习：

在没有已知输出的情况下，仅仅根据输入信息的相关性，进行类别的划分。

• 半监督学习：

先通过无监督学习划分类别，再根据人工标记通过有监督学习预测输出。

• 强化学习：

通过对不同决策结果的奖励和惩罚，使机器学习系统在经过足够长时间的训练以后，越来越倾向于给出接近期望结果的输出。

• 批量学习：

将学习的过程和应用的过程截然分开，用全部的训练数据训练模型，然后再将应用场景中实现预测，当预测结果不够理想时，重新回到学习过程，如此循环。

• 增量学习：

将学习的过程和应用的过程统一起来，在应用的同时以增量的方式，不断学习新的内容，边训练边预测。

4.基于实例的学习和基于模型的学习：

• 基于实例的学习：

根据以往经验，寻找与待预测输入最接近的样本，以其输出作为预测结果。

• 基于模型的学习：

根据以往的经验，建立用于联系输出和输入的某种数学模型，将待预测输入该模型，预测其结果。

---

二、机器学习的一般过程：

数据处理：

1. 数据处理（数据检索，数据挖掘，爬虫）
2. 数据清洗

1. 特征工程

机器学习：

1. 选择模型（算法）
2. 训练模型（算法）

1. 评估模型（工具，框架，算法知识）
2. 预测模型

业务运维：

1. 应用模型
2. 维护模型

---

三、：机器学习的典型应用：

股价预测，推荐引擎，自然语言识别，语音识别，图像识别，人脸识别

---

四、机器学习的基本问题：

• 回归问题：

根据已知的输入和输出寻找性能最佳的模型，将未知输出的输入带入模型，得到持续的输出。

• 分类问题：

根据已知的输入和输出寻找某种性能最佳的模型，将未知输出的输入带入模型，得到离散的输出。

• 聚类问题：

根据已知输入的相识程度，将其划分为不同的群落。

• 降维问题：

在性能损失尽可能小的前提下，降低数据的复杂度。