机器学习笔记一

一、什么是机器学习

（一）机器学习定义一：

• 计算机通过非显著性编程获得的学习能力。

        非显著性编程指的是：计算机自己从经验中总结出相关的规律。

        显著性编程：需要人为把机器人所处的环境调查清楚。

例如：

        1）让计算机区分菊花与玫瑰花。

        显著性编程：直接给出菊花与玫瑰花的特点

        非显著性编程：通过大量图片，计算机总结两种花的特征规律，进行区分

        2）让机器人冲咖啡

        显著性编程：我们要判断往哪走，什么时候停，什么时候开始冲咖啡等。

        非显著性编程：规定机器人可以采用一系列的动作，规定特定环境下机器人采取相应措施产生的收益，某个行为产生了不好的效果（撞到、摔倒等），收益为负；产生好的效果（取到咖啡）收益为正，规定了行为和收益函数后，让计算机自己最大化收益函数。

（二）机器学习定义二：

        计算机程序可以针对某个任务T和某个性能指标P，从经验E中学习。在任务T上被性能指标P衡量的性能，会随着经验E的增加而提高。机器学习本质就是最优化的过程

例如：

        任务T——编写计算机程序识别菊花与 玫瑰花

        经验E——一大堆菊花和玫瑰花的图片，（训练样本）

        性能指标P——不同算法有不同，这里可以选择识别率

        随着训练样本逐渐加大，识别率越来越大

        任务T——编写程序让机器人冲咖啡

        经验E——机器人多次尝试的行为和这些行为产生的结果

        性能指标P——在规定时间内成功充好咖啡的次数

        随着训练样本逐渐加大，成功充好咖啡的次数越来越多

二、机器学习的分类

（一）有监督学习：

        所有的经验E都是人工采集并输入到计算机

        传统监督学习：每一个数据都有标签。例如：支持向量机，人工神经网络，深度神经网络

        非监督学习：同一类型数据在样本空间中距离更近。例如：聚类，EM算法，主成分分析

        半监督学习：一部分有标签，另一部分没有。

        分类：标签是离散值，如人脸识别

        回归：标签是连续值，如设计算法预测房价走势

（二）强化学习：

        计算机的经验是由计算机与环境互动产生的，计算机产生行为与行为的结果，我们定义行为的收益函数，对行为进行奖励或惩罚，同时要设计算法让计算机自动改变自己的模式去最大化收益函数。

三、机器学习的算法过程

以任务区分红细胞、白细胞为例：

1.观察数据（样本），总结规律：

        根据各样本数据做成相应的曲线图（如下）观察其特征规律，图中可以发现用面积和周长可以区分开红白细胞，而圆形度虽然也有一定规律，但重合点过多，不适合用于作为特征规律。

2.如何基于上述两个特征构建算法

        支持向量机：线性内核、多项式核、高斯径向分布内核

        1）确定特征空间，将样本归一化处理，做出平面图（本实例是二维，有可能是多维空间或超多维空间）

        2）利用上面不同的算法计算相应的分界线

3.哪一种算法更好

由于无法穷尽所有新样本，不能得出绝对意义的好或者不好的机器学习算法。

但可以留一部分样本作为测试集，用于检验算法的优劣。

四、没有免费的午餐定理

任何一个预测函数，如果在一些训练样本上表现好，那么必然在另一些训练样本上表现不好，如果不对数据在特征空间的先验分布有一定的假设，那么表现好与表现不好的情况一样多。

假设：在特征空间上距离接近的样本，他们属于同一个类别的概率更高，所以一般机器会做出上述预判。当然，上述预判也有可能出错。

机器学习的本质是通过有限已知的数据，预测复杂高维空间的未知样本。因此再好的算法也有可能出错，没有永远最好的算法！

五、机器学习可以用来做什么

1.人脸识别  2.人脸性别、年龄估计  3.五子棋对战  4.水果识别  5.人脸特征点检测  6.语种识别  7.视频行为识别

学习视频：[1.1.1]--机器学习定义_哔哩哔哩_bilibili