什么是機器學習？ ? 在1959年，Arthur Samuel：不用編程去指定機器做什么，而是讓機器有能力自己學習； 在1998年，Tom Mitchell：首先定義任務T，經驗E，表現P，如果機器有一個任務T，隨著經驗E的增多，表現P也會變好，則表示機器正在經驗E中學習；
以上就是對機器學習的兩個定義； 機器學習在生活中也處處可見，比如： (1)在gmail中，提供了一個“垃圾郵件”選項，可以通過機器學習辨別郵件是否為垃圾郵件，此處利用了分類算法； 如果我們根據Tom Mitchell的定義，則： T：classify email as spam or not spam. E：watching you label emails as spam or not spam. P：The number of emails correctly classified as spam or not spam. (2)ebay利用學習型算法判斷某個信用卡是否被盜； (3)“深藍”下棋勝過國際象棋大師，是因為“深藍”已經通過機器學習的方法學習了下棋的技術；
以上這些例子就是機器學習的常見案例； 機器學習的常見算法分為： (1)Supervised Learning（監督學習）：下面的圖片就是典型的監督學習的例子，監督學習分為Classifying和Regression，兩者的區別后面解釋，下圖的文字明確地解釋了監督學習的定義： 監督學習的例子：垃圾郵件的分類，這個在上面已經講解過；
(2)Unsupervised Learning（非監督學習）：給定一組數據，這些數據從外表上來看沒有什么差別，都落在了坐標軸上，我們的目標是從中找出結構，并將其分組，如下圖，是聚類的例子，每個數據都是以原點的形式出現的，但是我們能夠很清晰地將這些點分成兩組（group into）：

非監督學習的例子：

• google News中，會將一些新聞進行聚類（分組），即每個大類的新聞下面都會有多個URL，這些URL雖然來自不同的網站，但是都是這一類新聞，比如：

• Market segmentation：將客戶分組為幾組，對每組客戶進行不同的銷售手段，如下圖：

• 兩個人在話筒前面同時說話，錄音后發現這兩個人的聲音會混雜在一起，但是如果通過非監督學習，則可以將這兩個人的聲音分離開來；

以上介紹了機器學習的常見分類（監督學習和非監督學習），并詳細介紹了定義及應用；

剛才我們說到監督學習分為： (1)分類； (2)回歸； 這兩者有什么區別呢？ 區別在于分類的output為離散的，而回歸的output為連續的，這樣講可能比較抽象，比如上面的例子就是回歸，因為output為price，雖然看起來price是離散的，但是他的值是可以無限制的，因此是連續的，而下圖為分類的例子，因為output=惡性or良性，可能的取值就兩個值，因此為回歸；
? 以上說明了分類和回歸的區別；

? 練習題
? 1.你現在在證券所上班，對于某個特定的股票A，希望根據以往的價格走勢，來推算出明天的價格是多少，這算是分類問題還是回歸問題？ 答：屬于回歸問題，因為股票的價格是連續的，因此是回歸問題；
2.我們給出4個問題：

• 我們已經知道了這一堆是垃圾郵件，想要將這些垃圾郵件繼續分子類；
• 給定一個數據集，全是心臟病的病人，我們需要將他們分成不同的簇，對每個簇用不同的治療方法；
• 兩個足球隊要比賽，根據以往的數據，預測哪個隊會贏；
• 根據一個人的DNA，預測10年后得糖尿病的幾率；

哪些是監督學習，哪些是非監督學習？ 答：(1)和(2)是監督學習，(3)和(4)是非監督學習；

總結

以上是生活随笔為你收集整理的机器学习入门：机器学习概论的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。