机器学习介绍

本文概要

• 什么是机器学习
• 机器学习如何工作
• 机器学习的特点
• 机器学习的需求
• 机器学习的分类
• 先决条件
• 听众
• 问题

机器学习教程提供了机器学习的基本和高级概念。我们的机器学习教程是专为学生和专业人士准备。

机器学习是一个不断增长的技术，使得计算机能够从过去的数据自动学习。机器学习使用不同的算法建立数学模型，利用历史数据或信息的预测。目前，它被用于各种任务，如图像识别，语音识别，邮件过滤，Facebook的自动标记，推荐系统，等等。

这款机器学习教程为你提供了广泛的机器学习技术，如监督，无监督和强化学习等，从各方面介绍了机器学习。你将会了解回归和分类模型，聚类分析，隐马尔可夫模型，以及各种顺序模型。

什么是机器学习

在现实世界中，我们周围的人可以通过他们的学习能力从他们的经验中学习一切，我们有电脑或机器根据我们的指令工作。但机器也能像人类一样从经验或过去的数据中学习吗？这就是机器学习的作用。

机器学习是说，人工智能的一个子集，主要关注的算法，它允许计算机从自己的数据和过去的经验中学习发展。术语机器学习最早是由阿瑟·塞缪尔在1959年推出，我们可以用一个概括的方式定义它：

机器学习使机器能够自动地从数据中学习，从经验中提高性能，并在没有明确编程的情况下预测事物。

随着样本的历史数据，这被称为训练数据的帮助下，机器学习算法建立了一个数学模型，有助于做出预测或决策，而不明确地编程。机器学习创建预测模型带来了计算机科学和统计学在一起。机器学习结构或使用该从历史数据中学习的算法。以上我们将提供的信息，将越高性能。

机器有学习的能力，如果它可以通过获得更多的数据来提高性能。

机器学习如何工作

机器学习从历史数据系统学习，建立预测模型，只要收到新的数据，预计输出它。预测输出的精度取决于数据量，数据量庞大有助于建立更好的模型，更准确地预测输出。

假设我们有一个复杂的问题，我们需要进行一些预测，所以不是写它的代码，我们只是需要将数据提供给通用的算法，并用这些算法的帮助下，机器构建逻辑为每数据和预测的输出。机器学习改变了我们思考问题的方式。框图如下解释机器学习算法的工作：

机器学习的特点

• 机器学习使用的数据在给定的数据集，以检测各种图案。
• 它可以从过去的数据学习，自动改善。
• 这是一个数据驱动的技术。
• 机器学习与数据挖掘非常相似，因为它也处理大量的数据。

机器学习的需求

机器学习的需求与日俱增。后面需要机器学习的原因是，它能够这样做太复杂的任务一个人直接实现。作为一个人，我们有一定的局限性，因为我们不能手动访问数据量巨大，所以对于这一点，我们需要一些计算机系统和来这里的机器学习，使事情容易做到的。

我们可以为他们提供巨大的数据量训练的机器学习算法，让他们探索数据，建立模型，并自动预测所需的输出。机器学习算法的性能取决于数据的数量，并且它可以通过成本函数来确定。在机器学习的帮助下，我们可以节省时间和金钱。

机器学习的重要性可以从它的使用案例中很容易理解，目前，机器学习被应用于自动驾驶汽车，网络欺诈检测，人脸识别，Facebook的好友建议等。Netflix和亚马逊(Amazon)等多家顶级公司都建立了机器学习模型，利用大量数据分析用户兴趣，并据此推荐产品。

以下是这表明机器学习的重要性，一些关键点：

• 生产数据快速增加
• 解决人类难以解决的复杂问题
• 包括财务在内的各个部门的决策
• 寻找隐藏的模式和提取数据的有用信息。

机器学习的分类

在广泛的层面上，机器学习可分为三种类型：

1. 监督学习
2. 无监督学习
3. 强化学习

1）监督学习

监督学习是一种机器学习方法，我们将样本标记数据提供给机器学习系统进行训练，并在此基础上预测输出。

系统使用带标签的数据创建一个模型来理解数据集并了解每个数据，一旦训练和处理完成，然后我们通过提供一个样本数据来测试模型，以检查它是否预测了准确的输出。

监督学习的目标是将输入数据与输出数据进行映射。引导性学习是建立在监督的基础上的，就像学生在老师的监督下学习一样。监督学习的例子是垃圾邮件过滤。

监督学习可以进一步分为两类算法：

• 分类（Classification）
• 回归（Regression）

2）无监督学习

无监督学习是机器在没有任何监督的情况下学习的一种学习方法。

训练是用一组没有标记、分类或分类的数据提供给机器的，算法需要在没有任何监督的情况下对这些数据进行操作。无监督学习的目标是将输入数据重组成新的特性或一组具有相似模式的对象。

在无监督学习中，我们没有一个预先确定的结果。这台机器试图从海量数据中找到有用的见解。它可以进一步分为两类算法：

• 聚类（Clustering）
• 联想（Association）

3）强化学习

强化学习是一种基于反馈的学习方法，在这种方法中，学习主体对每一个正确的行为进行奖励，对每一个错误的行为进行惩罚。代理根据这些反馈自动学习并改进其性能。在强化学习中，agent与环境进行交互并对其进行探索。代理的目标是获得最多的奖励点，因此，它提高了性能。

机器狗可以自动学习手臂的动作，这就是强化学习的一个例子。

注意: 我们将在后面的章节中详细学习上述类型的机器学习。

先决条件

学习机学习之前，你必须有以下的基本知识，让你可以轻松了解机器学习的概念：

• 概率论和线性代数的基础知识。
• 能够用任何计算机语言编写代码，特别是Python语言。
• 微积分知识，特别是单变量和多元函数的导数。

听众

我们的机器学习教程旨在帮助初学者和专业人士。

问题

我们保证你在学习我们的机器学习教程时不会遇到任何困难。但是如果本教程中有任何错误，请将问题或错误张贴在联系表单中，以便我们改进。