簡單的一句話：讓機器從數據中學習，進而得到一個更加符合現實規律的模型，通過對模型的使用使得機器比以往表現的更好，這就是機器學習。

機器學習是實現人工智能的一種途徑，它和數據挖掘有一定的相似性，也是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、計算復雜性理論等多門學科。

對比于數據挖掘從大數據之間找相互特性而言，機器學習更加注重算法的設計，讓計算機能夠白動地從數據中“學習”規律，并利用規律對未知數據進行預測。因為學習算法涉及了大量的統計學理論，與統計推斷聯系尤為緊密，所以也被稱為統計學習方法。

機器學習可以分為以下五個大類：
(1)監督學習：從給定的訓練數據集中學習出-一個函數，當新的數據到來時，可以根據這個函數預測結果。監督學習的訓練集要求是輸人和輸出，也可以說是特征和目標。訓練集中的目標是由人標注的。常見的監督學習算法包括回歸與分類。
(2)無監督學習：無監督學習與監督學習相比，訓練集沒有人為標注的結果。常見的無監督學習算法有聚類等。
(3)半監督學習：這是一”種介于監督學習與無監督學習之間的方法。
(4)遷移學習：將已經訓練好的模型參數遷移到新的模型來幫助新模型訓練數據集。
(5)增強學習：通過觀察周圍環境來學習。每個動作都會對環境有所影響，學習對象根據觀察到的周圍環境的反饋來做出判斷。

傳統的機器學習算法有以下幾種：
線性回歸模型、logistic回歸模型、k-臨近算法、決策樹、隨機森林、支持向量機、人工神經網絡、EM算法、概率圖模型等。

一句話說明機器學習（MachineLearning）

簡單的一句話：讓機器從數據中學習，進而得到一個更加符合現實規律的模型，通過對模型的使用使得機器比以往表現的更好，這就是機器學習。

詳解
數據：從現實生活抽象出來的一些事物或者規律的特征進行數字化得到。

學習：在數據的基礎上讓機器重復執行一套特定的步驟（學習算法）進行事物特征的萃取，得到一個更加逼近于現實的描述（這個描述是一個模型它的本身可能就是一個函數）。我們把大概能夠描述現實的這個函數稱作我們學到的模型。

Machine -> ML -> better

更好：我們通過對模型的使用就能更好的解釋世界，解決與模型相關的問題。

總結

以上是生活随笔為你收集整理的【机器学习】机器学习概述的全部內容，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。