机器学习

经典定义：利用经验(数据)改善系统自身的性能

发展历程

1. 人工智能——让机器人像人一样思考学习的技术；
2. 机器学习是从人工智能中产生的分支，是实现智能化的关键；
3. MP模型—>感知机模型—>神经网络—>SVM—>深度学习；

---

机器学习的基本术语

1. 数据集(训练集，测试集)
2. 示例(无结果)、样例(有结果)与样本
3. 属性/特征、属性值、特征值
4. 标签、标签空间
5. 属性空间/样本空间
6. 特征向量、标签空间、输出空间
7. 维度
8. 模型
9. 假设(hypothesish)：从数据中得到的结果、提炼出的规则；
10. 真相(ground truth)：模型学到的关于结果的潜在的规律
11. 泛化能力：模型对新数据的处理能力

---

机器学习的分类

按照学习方法进行分类

1. 监督学习
   样本类别标签已知——分类和回归
   使用带标签的数据集进行训练，学习出一个模型参数，根据这个模型对未知样本进行预测，样本包含特征（输入）和标签（输出）
2. 无监督学习
   样本类别标签未知
3. 半监督学习
   介于监督学习和无监督学习之间的学习方式，通过使用少量带标签数据和大量不带标签的数据
4. 强化学习

---

机器学习的四大任务

1. 分类：将数据分配到预定义的类别中(监督学习)
   指有限个可能的问题，预测的是一个离散的、明确的变量（二分类、多分类）
   二分类：将数据分为两类的一种分类任务，通常被表示为0和1；
   多分类：将数据点分成三个或更多的类别；
2. 回归：用于预测连续的数值输出(监督学习)
   是指无限个可能的问题，预测的是一个连续的、逼近的变量；
3. 聚类：(无监督学习)
   用于将数据划分为多个相似的群组
   注意：聚类和分类的区别
   聚类所划分的类是未知的，由样本之间的某种相似性确定；
4. 降维：(无监督学习)
   目的：保持数据主要特征的情况下减少数据的维度，同时保留尽可能多的重要信息；
5. 推荐算法
   目的：通过分析用户行为，为用户推荐可能感兴趣的内容；