机器学习

机器学习的定义

机器学习有下面几种定义： “机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。 “机器学习是对能通过经验自动改进的计算机算法的研究”。 “机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。” 一种经常引用的英文定义是：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。

机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。

机器学习类别

• 监督学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。

• 无监督学习与监督学习相比，训练集没有人为标注的结果。常见的无监督学习算法有聚类。

• 半监督学习介于监督学习与无监督学习之间。

• 增强学习通过观察来学习做成如何的动作。每个动作都会对环境有所影响，学习对象根据观察到的周围环境的反馈来做出判断。

机器学习算法

• 构造条件概率：回归分析和统计分类

• 人工神经网络

• 决策树(Decision tree)

• 高斯过程回归

• 线性判别分析

• 最近邻居法

• 感知器

• 放射基函数

• 支持向量机

• 通过再生模型构造概率密度函数(Probability      density function)：

• 最大期望算法(Expectation-maximization algorithm)

• graphical model：包括贝叶斯网和Markov随机场

• Generative Topographic Mapping

• 近似推断技术：

• 马尔可夫链(Markov chain) 蒙特卡罗方法

• 变分法

• 最优化(Optimization)：大多数以上方法，直接或者间接使用最优化算法。