机器学习(Machine Learning)是人工智能时代的核心技术，深度学习(Deep leaning)是机器学习中一类重要的方法。机器学习的应用非常广泛，相机美颜、个性推荐，人脸解锁、垃圾邮件过滤、阿法狗......很多智能化的应用场景背后，都离不开机器学习算法的支撑。 

机器学习的概念

那么机器学习到底是什么东东呢？是造一个机器人来学习吗，非也。按照李宏毅老师的说法，机器学习相当于找一个函数(looking for a Function)。

如下图所示，你对着siri说一句话，她就能知道你说了什么；你给识图软件一张喵星人照片，它就能识别这是一只猫猫；你给阿法狗一个棋局，它就能算出下一步应该怎么下.....先不管这些事情内部是怎么实现的，从整体上来看，就是给学习器一个输入，它就可以给出唯一输出，这不就是函数吗？

更学术化的表达机器学习的概念，就是通过编写程序学习经验来提高完成任务的性能。

机器学习大致可以分为三个步骤，我们通过最简单的例子——线性回归来理解一下。

ML的一般步骤：

  • step1: Model(a set of functions)

  • 第一步就是找个模型，也就是找一个函数/算法模板。线性回归的模型呢，就是一个线性的函数啦: y = wx+b (w和x为向量)

  • step2: Goodness of functionon(Loss function)

  • 确定了模型的构造方法，下一步就是确定模型的具体参数。这一步通常会构建损失函数来衡量模型的好坏，线性回归用到的损失函数是均方误差，也就是经典的“最小二乘法”

  • step3: Pick the 'best' function

  • 得到了损失函数，接着就是怎么求解了。也许你会直接背出公式，但对于计算机来说，采用梯度下降的方法可能更简单一些，这个后面再讲。

来看看机器学习的算法分类：

  • 从问题/数据的情境划分：有监督、无监督、半监督、迁移学习、强化学习
  • 从任务类型划分：回归（scalar）、分类（binary or multi）、聚类、结构化学习(翻译、语音识别)

机器学习主要包括：

  • 回归算法

    • 线性回归
    • 逻辑回归
    • 多元自适应回归（MARS）
    • 本地散点平滑估计（LOESS）
  • 基于实例的学习算法
    • K - 邻近算法（kNN）
    • 学习矢量化（LVQ）
    • 自组织映射算法（SOM）
    • 局部加权学习算法（LWL）
  • 正则化算法
    • 岭回归（Ridge Regression）
    • LASSO（Least Absolute Shrinkage and Selection Operator）
    • Elastic Net
    • 最小角回归（LARS）
  • 决策树算法
    • 分类和回归树（CART）
    • ID3 算法 (Iterative Dichotomiser 3)
    • C4.5 和 C5.0
    • CHAID（Chi-squared Automatic Interaction Detection(）
    • 随机森林（Random Forest）
    • 多元自适应回归样条（MARS）
    • 梯度推进机（Gradient Boosting Machine， GBM）
  • 贝叶斯算法
    • 朴素贝叶斯
    • 高斯朴素贝叶斯
    • 多项式朴素贝叶斯
    • AODE（Averaged One-Dependence Estimators）
    • 贝叶斯网络（Bayesian Belief Network）
  • 基于核的算法
    • 支持向量机（SVM）
    • 径向基函数（Radial Basis Function ，RBF)
    • 线性判别分析（Linear Discriminate Analysis ，LDA)
  • 聚类算法
    • K - 均值
    • K - 中位数
    • EM 算法
    • 分层聚类
  • 关联规则学习
    • Apriori 算法
    • Eclat 算法
  • 神经网络
    • 感知器
    • 反向传播算法（BP）
    • Hopfield 网络
    • 径向基函数网络（RBFN）
  • 深度学习
    • 深度玻尔兹曼机（DBM）
    • 卷积神经网络（CNN）
    • 递归神经网络（RNN、LSTM）
    • 栈式自编码算法（Stacked Auto-Encoder）
  • 降维算法
    • 主成分分析法（PCA）
    • 主成分回归（PCR）
    • 偏最小二乘回归（PLSR）
    • 萨蒙映射
    • 多维尺度分析法（MDS）
    • 投影寻踪法（PP）
    • 线性判别分析法（LDA）
    • 混合判别分析法（MDA）
    • 二次判别分析法（QDA）
    • 灵活判别分析法（Flexible Discriminant Analysis，FDA
  • 集成算法
    • Boosting
    • Bagging
    • AdaBoost
    • 堆叠泛化（混合）
    • GBM 算法
    • GBRT 算法
    • 随机森林
  • 其他算法
    • 特征选择算法
    • 性能评估算法
    • 自然语言处理
    • 计算机视觉
    • 推荐系统
    • 强化学习
    • 迁移学习

图片来自scikit-learn

这么多算法怕不怕，哈哈~ 学海无涯，一起努力吧！

什么是机器学习（Machine Learning）? |李宏毅机器学习【1】相关推荐

  1. Re:从零开始的机器学习 - Machine Learning(一) 线性回归

    从我对整个职业生涯的规划出发,我不仅想做一些高质量的应用(软件工程的角度),还想做一些激动人心的应用,所以我希望能在机器学习的方向走,尽管我在大学粗浅的学了些皮毛,但如果要把机器学习作为职业发展的话这 ...

  2. Paper：《A Few Useful Things to Know About Machine Learning—关于机器学习的一些有用的知识》翻译与解读

    Paper:<A Few Useful  Things to  Know About  Machine  Learning-关于机器学习的一些有用的知识>翻译与解读 目录 <A Fe ...

  3. Paper：《Hidden Technical Debt in Machine Learning Systems—机器学习系统中隐藏的技术债》翻译与解读

    Paper:<Hidden Technical Debt in Machine Learning Systems-机器学习系统中隐藏的技术债>翻译与解读 导读:机器学习系统中,隐藏多少技术 ...

  4. 【原】Coursera—Andrew Ng机器学习—课程笔记 Lecture 17—Large Scale Machine Learning 大规模机器学习...

    Lecture17 Large Scale Machine Learning大规模机器学习 17.1 大型数据集的学习 Learning With Large Datasets 如果有一个低方差的模型 ...

  5. 数据挖掘(data mining)，机器学习(machine learning)，和人工智能(AI)的区别是什么？ 数据科学(data science)和商业分析(business analytics

    数据挖掘(data mining),机器学习(machine learning),和人工智能(AI)的区别是什么? 数据科学(data science)和商业分析(business analytics ...

  6. 机器学习(Machine Learning)、深度学习(Deep Learning)、NLP面试中常考到的知识点和代码实现

    网址:https://github.com/NLP-LOVE/ML-NLP 此项目是机器学习(Machine Learning).深度学习(Deep Learning).NLP面试中常考到的知识点和代 ...

  7. fprom预测结果内容_预测模型之机器学习 Machine Learning结果解读篇

    原标题:预测模型之机器学习 Machine Learning结果解读篇 学友提问:对于机器学习出来的只有图形,我怎么解释呢?怎样才能在临床使用呢? 论文的实例:2013年发表在The American ...

  8. 数据挖掘(data mining)，机器学习(machine learning)，和人工智能(AI)的区别是什么

    数据挖掘(data mining),机器学习(machine learning),和人工智能(AI)的区别是什么? 数据科学(data science)和商业分析(business analytics ...

  9. 机器学习(Machine Learning)深度学习(Deep Learning)资料(Chapter 2)

    机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 2) - tony的专栏 - 博客频道 - CSDN.NET 注:机器学习资料篇目一共 ...

  10. 机器学习Machine Learning

    机器学习Machine Learning 定义(Mitchell 1997):对于某类任务T和性能量度P,一个计算机程序被认为可以从经验E中学习,通过经验E改进后,它在任务T上由性能度量P衡量的性能有 ...

最新文章

  1. python语言怎么学-你们都是怎么学 Python 的？
  2. java messagebox 关闭_wince/WinForm下实现一个自动关闭的MessageBox
  3. QT利用QCustomplot绘制折线图海底声速梯度图，解决一条曲线中一个X值对应两个Y值
  4. 语音情感识别----语音特征集之eGeMAPS，ComParE，09IS，BoAW
  5. 程序员面试金典 - 面试题 10.02. 变位词组（哈希map）
  6. 微课|中学生可以这样学Python（例5.1）：生成不重复的随机数
  7. Linux下Nginx+Tomcat整合的安装与配置
  8. 15个优秀的第三方 Web 技术集成
  9. [bug解决] TensorFlow安装错误：ERROR Cannot uninstall ‘wrapt‘
  10. 7.Docker技术入门与实战 --- 端口映射与容器互联
  11. Token 的生成 和 验证
  12. php 关于模板的原理和解析,PHP－关于模板的原理和解析_PHP教程
  13. 乐嘉性格色彩-4色特性，学习感悟
  14. python安装失败0x80070570_0x80070570 文件或目录损坏且无法读取 CHKDSK 修复方法
  15. aspose将word转换为pdf[aspose.word.java 18.11]
  16. 图神经网络-图与图学习笔记-1
  17. 【Java基础】使用swing对话框编写一个程序：输入长和宽，计算矩形的周长和面积
  18. 7.4 小团队、低成本的管理实践之路
  19. 计算机组装与维护手写笔记,科学网—计算机技术的简单小结 - 熊伟的博文
  20. 好程序员云计算培训分享2020年云计算的发展趋势

热门文章

  1. 量子计算和量子加密的基础问答
  2. bat脚本注释多行_批处理中的行,段注释
  3. 阿酷三合一版_3dmax阿酷插件
  4. matlab 求平面方程,MATLAB求空间平面方程
  5. grub4dos进入linux,GRUB4DOS怎么进入系统？GRUB4DOS进入系统的详细步骤
  6. MATLAB--数字图像处理 图像直方图规定化
  7. flash实验中需添加的flash.c文件
  8. [网络安全自学篇] 二十五.Web安全学习路线及木马、病毒和防御初探
  9. 读取 system serial number
  10. Java编程输出你的年龄和姓名