机器学习之入门介绍

1.机器学习概念：

        机器学习是人工智能（AI）的一部分，研究如何让计算机从数据学习某种规律；是用数据或以往的经验，并以此来优化程序的性能标准。
        机器学习、深度学习、人工智能三者的关系可用下图中的集合表示。从范围上来说，人工智能包含机器学习，而机器学习又包含深度学习，三者的关系是在表示的范围上是逐渐缩小的。

人工智能、机器学习、深度学习三者关系

        人工智能泛指让机器具有人的智力的技术。这项技术的目的是使机器相认一样感知、思考、做事、解决问题。人工智能是一个广泛的技术领域，包括自然语言理解、计算机视觉、机器人、逻辑和规划等。它可以被看做计算机专业的子领域，除了和计算机相关，它还和心理学、认知学、社会学等有不少的交叉。

        机器学习指计算机通过观察环境，与环境交互，在吸引信息中学习，自我更新和进步。跟进一步的说，机器学习是从数据中自动分析获得规律（模型），并利用规律对未知数据进行预测。

         机器学习的对象是：具有一定的统计规律的数据。

         机器学习的目的：让机器学习替换手动步骤，减少企业的成本也提高企业效率。在《统计学习方法》一书中介绍机器学习主要包含：算法、策略、优化 三个方面。

2.机器学习的划分

1).根据学习任务的类型，机器学习可以划分为：
       有监督学习：从已标记的训练数据来训练模型。 主要分为：分类任务、回归任务、序列标注任务。
       无监督学习任务：从未标记的训练数据来训练模型。主要分为：聚类任务、降维任务。
       半监督学习任务：用大量的未标记训练数据和少量的已标记数据来训练模型。
       强化学习任务：从系统与环境的大量交互知识中训练模型。

2).根据算法类型，机器学习可以划分为：
       传统统计学习：基于数学模型的机器学习方法。包括SVM、逻辑回归、决策树等。
       这一类算法基于严格的数学推理，具有可解释性强、运行速度快、可应用于小规模数据集的特点。
       深度学习：基于神经网络的机器学习方法。包括前馈神经网络、卷积神经网络、递归神经网络等。
        深度学习算法是基于神经网络的学习方法，它的可解释性较差，强依赖于数据集规模，只有在拥有大量训练样本的时，才能发挥作用。目前，深度学习算法在语音、视觉、自然语言等领域非常成功。