机器学习原理(1)

标签：

　　随着人们对机器学习在很多关键领域的应用如数据挖掘、自然语言处理、图像识别和专家系统等方面所扮演的重要角色的认识越来越深入，机器学习变得如火如荼。机器学习能够在所有这些和更多的领域提供潜在的解决方案，并且将成为我们未来文明的支柱。

机器学习是什么？

　　那么机器学习到底是什么呢？机器学习实际上包括很多很多。这个领域是相当巨大，，并且还在快速的拓展，正在继续在不同的子专业和机器学习方面产生分支和子分支。

　　然而，这里有一些基本的普遍线索，早在1959年，由亚瑟·塞缪尔(Arthur Samuel)的方式做出的这个经常被引用的陈述是最好的主题总结：

[Machine Learning is the] field of study that gives computers the ability to learn without being explicitly programmed.

之后，在1997年，卡内基梅隆大学(Carnegie Mellon University)的汤姆·米切尔(Tom Mitchell)给出了一个合适的定义，给工程学提供了更多有用的东西：

A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E.

所以如果你想让你的程序能够预测一些事情，例如在一个繁忙的十字路口的交通模式，你可以通过一个机器学习算法，加载着关于过去交通模式的数据运行，然后，如果它成功地“学”到了一些东西，那么它将会在预测将来的交通模式方面做得更好。

　　虽然许多高度混合的实际问题本质经常会意味着发明特殊的算法将会每次都能完美地将其解决，但这是不明智的，即使不是不可能实现的。机器学习问题的例子包括：“这是癌症吗？”“这栋房子的市场价值怎么样？”“这些人中哪些人跟哪些人会是好朋友？”“起飞后火箭引擎会爆炸吗？”“这个人喜欢这部电影吗？”“这个人是谁？”“你刚说了什么？”以及“你如何机智地处理这件事？”。所有的这些问题对于机器学习项目来说都是极好的目标，并且事实上机器学习已经成功地应用到这些问题中的每一个上面去了。

ML solves problems that cannot be solved by numerical means alone.

在不同类型的机器学习任务中，一个至关重要的区别就是在于有监督式学习和无监督式学习：

• 有监督式学习：这个问题是在一个预先定义的训练样例中训练，然后促使它的能力达到给出新数据的时候有精确地结论的地步。
• 无监督式学习：这个问题会被给出一系列的数据，并且必须寻找模式和内在的关系。

(本文为翻译版本，如翻译有误欢迎指出)

(原文英文版出处：https://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer)

机器学习原理(1)

标签：

原文地址：http://www.cnblogs.com/ltech/p/5679858.html