機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支。我們使用計(jì)算機(jī)設(shè)計(jì)一個(gè)系統(tǒng)，使它能夠根據(jù)提供的訓(xùn)練數(shù)據(jù)按照一定的方式來學(xué)習(xí);隨著訓(xùn)練次數(shù)的增加，該系統(tǒng)可以在性能上不斷學(xué)習(xí)和改進(jìn);通過參數(shù)優(yōu)化的學(xué)習(xí)模型，能夠用于預(yù)測相關(guān)問題的輸出。

機(jī)器學(xué)習(xí)相對于沒有太多基礎(chǔ)的同學(xué)來說學(xué)習(xí)起來的確是有些難度的，我們這篇文章就給同學(xué)們簡單的講講關(guān)于機(jī)器學(xué)習(xí)專業(yè)課程中的一些知識(shí)點(diǎn)，各位同學(xué)在學(xué)習(xí)的過程中，難免可能會(huì)遇到一些知識(shí)點(diǎn)沒有完全理解的情況，遇到問題首先不要感到焦慮，調(diào)整好自己的心態(tài)，將問題的根本原因總結(jié)歸納，然后找留求藝一對一輔導(dǎo)老師幫助你進(jìn)行課程的輔導(dǎo)。

一、機(jī)器學(xué)習(xí)的分類

1、監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)是利用已標(biāo)記的有限訓(xùn)練數(shù)據(jù)集，通過某種學(xué)習(xí)策略/方法建立一個(gè)模型，實(shí)現(xiàn)對新數(shù)據(jù)/實(shí)例的標(biāo)記(分類)/映射。監(jiān)督學(xué)習(xí)要求訓(xùn)練樣本的分類標(biāo)簽已知，分類標(biāo)簽的精確度越高，樣本越具有代表性，學(xué)習(xí)模型的準(zhǔn)確度越高。監(jiān)督學(xué)習(xí)在自然語言處理、信息檢索、文本挖掘、手寫體辨識(shí)、垃圾郵件偵測等領(lǐng)域獲得了廣泛應(yīng)用。

監(jiān)督學(xué)習(xí)的輸入是標(biāo)注分類標(biāo)簽的樣本集，通俗地說，就是給定了一組標(biāo)準(zhǔn)答案。監(jiān)督學(xué)習(xí)從這樣給定了分類標(biāo)簽的樣本集中學(xué)習(xí)出一個(gè)函數(shù)，當(dāng)新的數(shù)據(jù)到來時(shí)，就可以根據(jù)這個(gè)函數(shù)預(yù)測新數(shù)據(jù)的分類標(biāo)簽。

在監(jiān)督學(xué)習(xí)下，輸入數(shù)據(jù)被稱為“訓(xùn)練數(shù)據(jù)”，每組訓(xùn)練數(shù)據(jù)有一個(gè)明確的標(biāo)識(shí)或結(jié)果，如對反垃圾郵件系統(tǒng)中的“垃圾郵件”“非垃圾郵件”分類等。

在建立預(yù)測模型的時(shí)候，監(jiān)督學(xué)習(xí)建立一個(gè)學(xué)習(xí)過程，將預(yù)測結(jié)果與“訓(xùn)練數(shù)據(jù)”的實(shí)際結(jié)果進(jìn)行比較，不斷調(diào)整預(yù)測模型，直到模型的預(yù)測結(jié)果達(dá)到一個(gè)預(yù)期的準(zhǔn)確率。最典型的監(jiān)督學(xué)習(xí)算法包括回歸和分類等。

2、無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)是利用無標(biāo)記的有限數(shù)據(jù)描述隱藏在未標(biāo)記數(shù)據(jù)中的結(jié)構(gòu)/規(guī)律。無監(jiān)督學(xué)習(xí)不需要訓(xùn)練樣本和人工標(biāo)注數(shù)據(jù)，便于壓縮數(shù)據(jù)存儲(chǔ)、減少計(jì)算量、提升算法速度，還可以避免正負(fù)樣本偏移引起的分類錯(cuò)誤問題，主要用于經(jīng)濟(jì)預(yù)測、異常檢測、數(shù)據(jù)挖掘、圖像處理、模式識(shí)別等領(lǐng)域，例如組織大型計(jì)算機(jī)集群、社交網(wǎng)絡(luò)分析、市場分割、天文數(shù)據(jù)分析等。

無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)相比，樣本集中沒有預(yù)先標(biāo)注好的分類標(biāo)簽，即沒有預(yù)先給定的標(biāo)準(zhǔn)答案。它沒有告訴計(jì)算機(jī)怎么做，而是讓計(jì)算機(jī)自己去學(xué)習(xí)如何對數(shù)據(jù)進(jìn)行分類，然后對那些正確分類行為采取某種形式的激勵(lì)。

在無監(jiān)督學(xué)習(xí)中，數(shù)據(jù)并不被特別標(biāo)識(shí)，學(xué)習(xí)模型是為了推斷出數(shù)據(jù)的一些內(nèi)在結(jié)構(gòu)。常見的應(yīng)用場景包括關(guān)聯(lián)規(guī)則的學(xué)習(xí)以及聚類等。常見算法包括Apriori算法、KMeans算法、隨機(jī)森林(random forest)、主成分分析(principal component analysis)等。

3、半監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)介于監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)之間，其主要解決的問題是利用少量的標(biāo)注樣本和大量的未標(biāo)注樣本進(jìn)行訓(xùn)練和分類，從而達(dá)到減少標(biāo)注代價(jià)、提高學(xué)習(xí)能力的目的。

在此學(xué)習(xí)方式下，輸入數(shù)據(jù)部分被標(biāo)識(shí)，部分沒有被標(biāo)識(shí)，這種學(xué)習(xí)模型可以用來進(jìn)行預(yù)測，但是該模型首先需要學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)以便合理地組織數(shù)據(jù)進(jìn)行預(yù)測。

應(yīng)用場景包括分類和回歸，算法包括一些對常用監(jiān)督學(xué)習(xí)算法的延伸，這些算法首先試圖對未標(biāo)識(shí)數(shù)據(jù)進(jìn)行建模，在此基礎(chǔ)上再對標(biāo)識(shí)的數(shù)據(jù)進(jìn)行預(yù)測。如圖論推理(graph inference)算法或者拉普拉斯支持向量機(jī)(Laplacian SVM)等。

4、強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)是智能系統(tǒng)從環(huán)境到行為映射的學(xué)習(xí)，以使強(qiáng)化信號函數(shù)值最大。由于外部環(huán)境提供的信息很少，強(qiáng)化學(xué)習(xí)系統(tǒng)必須靠自身的經(jīng)歷進(jìn)行學(xué)習(xí)。

強(qiáng)化學(xué)習(xí)的目標(biāo)是學(xué)習(xí)從環(huán)境狀態(tài)到行為的映射，使得智能體選擇的行為能夠獲得環(huán)境的最大獎(jiǎng)賞，使得外部環(huán)境對學(xué)習(xí)系統(tǒng)在某種意義下的評價(jià)為最佳。其在機(jī)器人控制、無人駕駛、下棋、工業(yè)控制等領(lǐng)域獲得成功應(yīng)用。

在這種學(xué)習(xí)模式下，輸入數(shù)據(jù)作為對模型的反饋，不像監(jiān)督模型那樣，輸入數(shù)據(jù)僅僅是作為一個(gè)檢查模型對錯(cuò)的方式。在強(qiáng)化學(xué)習(xí)下，輸入數(shù)據(jù)直接反饋到模型，模型必須對此立刻做出調(diào)整。常見的應(yīng)用場景包括動(dòng)態(tài)系統(tǒng)以及機(jī)器人控制等。常見算法包括Q-Learning以及時(shí)間差學(xué)習(xí)(temporal difference learning)。

機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)的一個(gè)分支，與統(tǒng)計(jì)學(xué)密切相關(guān)。統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)都從數(shù)據(jù)中學(xué)習(xí)，它們之間有很多相通的概念和公用的數(shù)學(xué)工具。需要同學(xué)們有一定的統(tǒng)計(jì)和數(shù)學(xué)基礎(chǔ)，如果出現(xiàn)作業(yè)不會(huì)寫的問題，最好找留求藝的英國留學(xué)生輔導(dǎo)老師進(jìn)行課程輔導(dǎo)，老師會(huì)根據(jù)同學(xué)具體出現(xiàn)作業(yè)不會(huì)寫的原因來分析問題，看看究竟是哪個(gè)環(huán)節(jié)出了問題，同時(shí)幫助同學(xué)輔導(dǎo)課程，鞏固所學(xué)的所有知識(shí)。