什么是机器学习?
发布网友
发布时间：2022-04-25 11:49
共10个回答
热心网友
时间：2022-04-18 09:47
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、*近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
基本简介：
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、*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*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。
学习是人类具有的一种重要智能行为，但究竟什么是学习，长期以来却众说纷纭。社会学家、逻辑学家和心理学家都各有其不同的看法。比如，Langley（1996) 定义的机器学习是“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”。（Machine learning is a science of the artificial. The field's main objects of study are artifacts, specifically algorithms that improve their performance with experience.'）Tom Mitchell的机器学习(1997)对信息论中的一些概念有详细的解释,其中定义机器学习是提到，“机器学习是对能通过经验自动改进的计算机算法的研究”。（Machine Learning is the study of computer algorithms that improve automatically through experience.）Alpaydin（2004）同时提出自己对机器学习的定义，“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。”（Machine learning is programming computers to optimize a performance criterion using example data or past experience.）
尽管如此，为了便于进行讨论和估计学科的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义， 机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机；现在是电子计算机，以后还可能是中子计算机、光子计算机或神经计算机等等。
机器能否象人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。
机器的能力是否能超过人的，很多持否定意见的人的一个主要论据是：机器是人造的，其性能和动作完全是由设计者规定的，因此无论如何其能力也不会超过设计者本人。这种意见对不具备学习能力的机器来说的确是对的，可是对具备学习能力的机器就值得考虑了，因为这种机器的能力在应用中不断地提高，过一段时间之后，设计者本人也不知它的能力到了何种水平。
机器学习是人工智能研究较为年轻的分支，它的发展过程大体上可分为4个时期。
第一阶段是在50年代中叶到60年代中叶，属于热烈时期。…>
第二阶段是在60年代中叶至70年代中叶，被称为机器学习的冷静时期。
第三阶段是从70年代中叶至80年代中叶，称为复兴时期。
机器学习的最新阶段始于1986年。
机器学习进入新阶段的重要表现在下列诸方面：
(1) 机器学习已成为新的边缘学科并在高校形成一门课程。它综合应用心理学、生物学和神经生理学以及数学、自动化和计算机科学形成机器学习理论基础。
(2) 结合各种学习方法，取长补短的多种形式的集成学习系统研究正在兴起。特别是连接学习符号学习的耦合可以更好地解决连续性信号处理中知识与技能的获取与求精问题而受到重视。
(3) 机器学习与人工智能各种基础问题的统一性观点正在形成。例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统SOAR的组块学习。类比学习与问题求解结合的基于案例方法已成为经验学习的重要方向。
(4) 各种学习方法的应用范围不断扩大，一部分已形成商品。归纳学习的知识获取工具已在诊断分类型专家系统中广泛使用。连接学习在声图文识别中占优势。分析学习已用于设计综合型专家系统。遗传算法与强化学习在工程控制中有较好的应用前景。与符号系统耦合的神经网络连接学习将在企业的智能管理与智能机器人运动规划中发挥作用。
(5) 与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还有计算机学习理论会议以及遗传算法会议。
热心网友
时间：2022-04-18 11:05
付费内容限时免费查看回答您好，很高兴为您服务，我是希希百度知道资深解答家，累计服务3000人，能帮您很好的解答问题。这边打字需要时间，请您稍等一下哦~
您好，我们把讨论的范围限定在最常见的有监督学习的框架内，所谓的机器学习模型，本质上是一个函数，其作用是实现从一个样本 [公式] 到样本的标记值 [公式] 的映射，即 [公式]
当然这样说太笼统了，事实上机器学习模型需要在给定样本集合 [公式] 以及其对应标签 [公式] 的情况下，用假设已知的函数形式 [公式] , 尽可能拟合客观存在的映射函数 [公式] ，并且保证 [公式] 在未知同分布样本上具有尽可能相近的拟合能力
线性模型是最简单的，也是最基本的机器学习模型。其数学形式如下：g(X;W)=WTX。有时，我们还会在WTX的基础上额外加入一个偏置项b，不过只要把X扩展出一维常数分量，就可以把带偏置项的线性函数归并到WTX的形式之中。线性模型非常简单明了，参数的每一维对应了相应特征维度的重要性。但是很显然，线性模型也存在一定的局限性。
希望我的回答对您有所帮助~祝您天天开心快乐~[鲜花]
热心网友
时间：2022-04-18 12:39
机器学习通过从数据里提取规则或模式来把数据转换成信息。主要的方法有归纳学习法和分析学习法。数据首先被预处理，形成特征，然后根据特征创建某种模型。机器学习算法分析收集到的数据，分配权重、阈值和其他参数达到学习目的。如果只想把数据分成不同的类，那么“聚类”算法就够了；如果需要预测，则需要一个“分类”算法。OpenCV库里面包含的是基于概率统计的机器学习方法，贝叶斯网络、马尔科夫随机场、图模型等较新的算法还在成长过程中，所以OpenCV还没有收录。机器学习的算法有很多很多：1、Mahalanobis2、K-means 非监督的聚类方法3、朴素贝叶斯分类器 特征是高斯分布&&统计上相互 条件比较苛刻4、决策数 判别分类器，根据阈值分类数据，速度快。ID3，C4.55、Boosting 多个判别子分类器的组合6、随机森林 由多个决策树组成7、人脸检测/Haar分类器 使用Boosting算法8、期望最大化EM 用于聚类的非监督生成算法9、K-近邻 最简单的分类器10、神经网络（多层感知器） 训练分类器很慢，但是识别很快11、支持向量机 SVM 可以分类，也可以回归。通过分类超平面实现在高维空间里的最优分类12、遗传算法 借鉴生物遗传机制 ，随机化非线性计算算法总之呢，个人觉得，机器学习、数据挖掘、模式识别、专家系统等方向和领域目前还是一种比较混乱的局面。学术界和商业界可能是不同的，关于算法的理论研究和使用这些方法生成商品是分别关注的。按照不同的领域、不同的方法可以划分出众多的分支。但是有一点是肯定的，这些在上世纪80年代提出来的公式和证明，如今正在变成一行行的代码，在一些猫（tomcat）、IIS等服务器的支持下，爬上了网络，到处寻觅对主人有用的信息，然后运送到网络中，最终生成产品，或者半产品。看看你电脑上的那根网线，它那么小，但是很难想象它从你的电脑上拿走了什么，又给你送来了什么。有些远了，继续说数据这些事。目前我接触过的算法有：（太多了，一时间真不好说出来） 神经网络（感知器、BP、RBF等很多的算法），遗传算法，支持向量机，层次分析法，各种回归，灰色系统（国产的方法，用于不确定知识的预测），粗糙集，贝叶斯网络，时间序列分析（也有很多）。学习和研究纸面的算法公式只是第一步，不可以忽略的基础，如何使用这些方法，在浩瀚的互联网上找到自己需要的、满足客户需要的数据和信息，从而让需要的人能够更加方便地得到，是今后的重头戏了。貌似很多的企业已经进军数据仓库这一块，并尝到了巨大的甜头，也有企业养着一队预备军，专注研发，随时准备奔赴前线，占领市场。无线网络市场的竞争已经到了激烈的局面，普适计算的时代也快到了吧。它依赖于硬件产品的可穿戴，和软件产品的内嵌、快速响应。总而言之，越来越人性化，谁都不愿意抱着笔记本电脑蹲厕所，是吧？
热心网友
时间：2022-04-18 14:31
通俗理解机器学习：机器从数据中学习，进而得到一个更加符合现实规律的模型，通过对模型的使用使得机器比以往表现的更好。
举个例子：
中学阶段，学生通过做大量的练习题，为的就是在高考解决问题。高考的题目一般来说是之前肯定没有遇到过的（无原题），但是这并不意味着这些题目我们无法解决。通过对之前所做过的练习题的分析，找到解题方法，同样可以解决陌生的题目，这就是人类的学习。机器学习就是模拟人类学习的过程。
机器学习其实就是将这一套方式运用到机器上，利用一些已知的数据（平时的练习题）来训练机器（做，让机器自己分析这些数据，并找到内在联系（学习解题方法），构建模型，从而对未知的数据（高考题）进行预测判定等。
关于机器学习一些算法 可以关注 机器学习学习笔记
热心网友
时间：2022-04-18 16:55
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、*近论、凸分析、算法复杂度理论等多门学科。简单说就是运用集成运算单元根据人类大脑的学习方式，进行模拟学习的一类学科。
近20年，机器学习带来了自动驾驶汽车、实用的语音识别、高效的网络搜索，让我们对人类基因的解读能力大大提高，如今机器学习技术已经非常普遍。
热心网友
时间：2022-04-18 19:37
机器学习原来这么有趣--用机器学习制作超级马里奥的关卡
参考这个
热心网友
时间：2022-04-18 22:35
机器学习，是一门涉及概率论、统计学、*近论、凸分析、算法复杂度理论等多门学科的多领域交叉学科，是指用某些算法指导计算机利用已知数据自主构建合理的模型，并利用此模型对新的情境给出判断的过程。该学科专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器通过大数据的输入，从中寻求、验证规律，得出结论，并据此结论自主解决问题，出现偏差会自主纠错。而不是像传统电脑一样，由人给出指令，按照这些指令被动工作。
1783年，贝叶斯在发表的同名定理中最早提出了“机器学习”这个概念，即“贝叶斯定理”。该定理是一种从经验中学习的数学方法，根据类似事件的历史数据得出事件的可能性，同时也是机器学习的基本思想。到了2006年深度学习的发展成为机器学习的大突破，深度学习模仿人类大脑的思维过程，一般用于图像和语音识别。如今我们生活中随处可见的很多技术，都离不开深度学习，例如，用户在小红书APP上发布图片，可以标记途中的人物、品牌、产品，或者是人手一台的智能手机，里面的Siri、“小爱同学”等功能，当用户向他们询问“周边有哪些加油站”“上周足球比赛冠军是谁”等问题时，用户的语音将通过复杂的语音解析算法进行分析，这些都是在深度学习的帮助下实现的。
机器学习注重算法的设计，让计算机能够自主从数据中“学习”规律，并利用规律对未知数据进行“预测”，这也是机器学习的核心。“预测”会随着计算机本身的经验而不断改进，人们无需明确的编程计算机来执行任务，而是计算机主动开发算法完成任务。机器视觉、语音识别、数据挖掘、统计学习以及模式识别、自然语言处理等等，都是如今机器学习的应用范围。上海分壳信息技术股份有限公司旗下的核心产品——信贷全流程一体化金融科技平台风信子风控云，通过机器学习的核心引擎，结合大数据采集、分析、拦截、反欺诈等技术，打造一个将数据、模型、规则、流程和机器学习于一体的智能金融云平台。解决了金融机构风控“冷启动”和风险量化的难题。将信贷全流程管控以评分卡的形式量化，完整实现了基于大数据和人工智能的线上智能信贷评估。
如今人们生活中各种各样的应用都离不开机器学习的使用，许多技术资源也都基于人工智能和机器学习，在科学技术日益先进的时代背景下，机器学习正焕发着强大的生命力。
热心网友
时间：2022-04-19 01:49
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。学习的话可以加裙前面六九式中间二六九最后加上五四零就可以进来学习了奥，不定期还会有资料推送，还有人工智能领域大牛在线解答问题。
深度学习的概念由hinton等人于2006年提出。基于深信度网(dbn)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经网络（convolutional neural networks，简称cnns）就是一种深度的监督学习下的机器学习模型，而深度置信网（deep belief nets，简称dbns）就是一种无监督学习下的机器学习模型。
深度不足会出现问题
在许多情形中深度2就足够表示任何一个带有给定目标精度的函数。但是其代价是：图中所需要的节点数(比如计算和参数数量)可能变的非常大。理论结果证实那些事实上所需要的节点数随着输入的大小指数增长的函数族是存在的。
我们可以将深度架构看做一种因子分解。大部分随机选择的函数不能被有效地表示，无论是用深的或者浅的架构。但是许多能够有效地被深度架构表示的却不能被用浅的架构高效表示。一个紧的和深度的表示的存在意味着在潜在的可被表示的函数中存在某种结构。如果不存在任何结构，那将不可能很好地泛化。
大脑有一个深度架构
例如，视觉皮质得到了很好的研究，并显示出一系列的区域，在每一个这种区域中包含一个输入的表示和从一个到另一个的信号流(这里忽略了在一些层次并行路径上的关联，因此更复杂)。这个特征层次的每一层表示在一个不同的抽象层上的输入，并在层次的更上层有着更多的抽象特征，他们根据低层特征定义。
需要注意的是大脑中的表示是在中间紧密分布并且纯局部：他们是稀疏的：1%的神经元是同时活动的。给定大量的神经元，仍然有一个非常高效地(指数级高效)表示。
认知过程逐层进行，逐步抽象
人类层次化地组织思想和概念；
人类首先学习简单的概念，然后用他们去表示更抽象的；
工程师将任务分解成多个抽象层次去处理；
学习/发现这些概念(知识工程由于没有反省而失败？)是很美好的。对语言可表达的概念的反省也建议我们一个稀疏的表示：仅所有可能单词/概念中的一个小的部分是可被应用到一个特别的输入(一个视觉场景)。
核心思想
把学习结构看作一个网络，则深度学习的核心思路如下：
①无监督学习用于每一层网络的pre-train；
②每次用无监督学习只训练一层，将其训练结果作为其高一层的输入；
③用自顶而下的监督算法去调整所有层
热心网友
时间：2022-04-19 05:21
大家好，我是小枣君。
人工智能(AI)现在可谓是红得发紫，大牛们总是把AI挂在嘴边。为了将来不被它抢了饭碗，小枣君觉得很有必要对它进行学习和了解的。无奈这个跨界实在跨得有点大，小枣君这点料肯定玩不转，所以转载一篇小枣君觉得写得比较通俗易懂的机器学习文章给大家，希望对大家有所帮助哈！
原作者：AI新司机
来源：AI从入门到xx（AI_newdriver）
简介：了解一点AI，拥抱一个时代
今天，我们来聊聊现在异常火爆的人工智能（AI）。
#监督学习#
小编上学的时候，是一只正版的学霸，每天的日常就是拿着一堆练习册刷题。
每当刷完题之后，小编都会用参*来检查一遍：做对的题目能加深印象，做错的题目就改正过来。
这样刷过很多题后，就会总结出解法（套路）。每看到一道新的题目，脑海里就会浮现出之前遇到过的类似习题；然后小编利用解法，十有*都能顺利搞定。
其实，我们这种刷题法，就是机器学习的第一种方式，名叫「监督学习」。
所谓监督学习，就是用标记过后的样本来训练模型。
如果把模型比作学生的解题方*，样本就是学生所做的题目，样本的标记就是参*。
训练过程中，模型的每一次预测都会受到标记（习题参*）的“指导”，自然会较快地学到训练样本中“正确”的规律（有效的解题方*）。
遇到未知样本（新的题目）时，就能比较好地进行预测（解题）。
（看了这个，还敢说监督学习很陌生么）
监督学习的一个典型应用是分类任务。
所谓分类，就是利用模型，把样本正确地归为几种已知的类别。
比如我们希望有一个模型，可以将喵和汪的照片自动分为“喵类”和“汪类”，那么可以收集一堆喵的照片与一堆汪的照片，并做上标记（告诉机器每一张照片是喵还是汪），然后进行模型训练。
训练好之后，模型就通过大量的有标记样本学到了喵与汪的特征以及区分它们的办法，之后遇到新的喵汪图片，也就可以自己作出判断了。
（喵汪分类模型的训练与预测）
#无监督学习#
监督学习可以高效地让模型获得训练样本中蕴含的规律，但样本的标记成本其实很高。标记往往通过人工完成，尽管很多标记工作本身并不复杂，但在样本量庞大的时候仍然十分可怕。
（不服就来标记一下吧）
正如我们曾经做过不少没有参*的习题，互联网上的数据绝大部分也是没有标记的。如果能将这些海量的没有标记的数据很好地利用起来，对于模型的训练将是一笔巨大的财富。未经标记的样本用于模型的训练，一般通过「无监督学习」与「半监督学习」。
所谓无监督学习，就是提供一堆完全未经标记的样本，让机器自己去发掘其中的内在规律。
它的一个典型应用是聚类任务。
聚类是指将样本分为若干个不同的类，它所依据的标准往往由人通过聚类算法来刻画。
比如有一堆未标记的动物照片，其中有汪有喵还有一些别的物种，通过某种聚类算法，机器就可以发掘图片间的内在规律，自动将它们分为几类。
有意思的是，机器聚类的结果有可能是按照物种区分，也有可能是按照别的一些标准（比如大小、颜色）。至于是不是我们所想要的，很大程度上就取决于聚类算法的好坏了。
聚类从技术原理层面可以看作用某种指标，来刻画样本间的“相似程度”；相互间相似程度大的样本就会被聚为一类，相似程度不大的样本则不会出现在同一类中。好比对于一些没有参*的习题，我们往往也能够根据题目本身的信息大致为它们进行归类一样。
#半监督学习#
半监督学习与无监督学习的差异在于，除了利用大量未经标记的样本，还利用了少量的有标记样本。
这就如同学生在参*的指导下做过少量的习题过后，已经对题目的规律有一定认知，之后再做一些没有参*的题目自己练习，依然可以起到不错的训练效果。
半监督学习既可以用于分类任务，也可以用于聚类任务。
对于分类任务，在判断样本类别时，不仅可以像监督学习那样利用有标记样本的类别信息，大量的无标记样本也可以通过揭示样本的分布情况来为分类提供参考。
对于聚类任务，少量的有标记样本则可以作为聚类的约束条件或初始条件。
（无标记样本可以为分类提供参考）
#强化学习#
与刷题不同，人们对生活经验的学习往往通过另外一种方式：趋利避害，使外界的反馈变得最优。
小时候我们都很任性，结果往往就是被大人批评。然后我们发现，如果稍微“懂事”一点，则会收到外界更好的反馈。逐渐地，我们遇到事情都会尽量采用懂事的做法。
上面的现象反映了我们根据外界反馈调整自身行为的本能，这个思想用到机器学习领域中就是「强化学习」。
强化学习设定了机器执行任务过程中外界环境的各种状态，并为这些状态设定了相应的奖赏值（正或负）；各种状态间通过机器的不同“动作”进行转换。
强化学习的目标是让机器获得某种策略（在什么状态下做什么动作），使得任务执行所获得的总奖赏值最大（代表最优的任务执行结果）。
（泡面任务中的环境状态与转换）
强化学习非常适用于需要机器根据外界环境进行自主决策的场景，比如无人驾驶、机器人等等。
#总结#
「监督学习」、「无监督学习」、「半监督学习」以及「强化学习」是目前应用较多的几种机器学习方式。
它们虽然被应用于机器，却都和我们自己学习知识技能的方式非常相似。
有时甚至会觉得，人何尝不是一种先进的机器，机器先进到一定程度也未尝不能具有人的特性呢？
更多行业新鲜资讯，欢迎关注我们公众号
鲜枣课堂，一个面向IT和通信行业的知识服务平台。
热心网友
时间：2022-04-19 09:09
两位大牛给的回答都很专业，我来给一个普罗大众的回答
机器学习顾名思义就是让机器自己学习
方法有很多种，其中一种方法是神经网路，这可能是最棒的方法
虽然标题是问机器学习，但我倾向於讲神经网路，因为这可以代表机器学习
其他的方法另外两位也有介绍了，像是支持向量机(SVM)等等的
但一般大众可能只想了解目前最热门的是甚麼，就是神经网路，这也是应用最广泛的
神经网路的原理就跟人类的大脑一样，只是在机器上面运行
如此一来，机器就能像人类一样的学习了
但是人类的大脑有数百亿个神经
用日本的一台超级电脑叫做"京"，模拟人类大脑的活动，花费40分钟仅能模拟1秒
不符合经济效益，花钱请一个员工，就更加划算了是吧
所以目前的发展，是让电脑只用几百万个神经，我们称之为"节点"(Node)，就是数百万个节点
而我们在电脑里建立的神经网路，称之为"模型"(Model)
也就是有数百万个节点的神经网路模型
我们希望为不同领域建立不同的模型
人脸辨识模型、影像识别模型等、强化学习模型(决定机器当下要做甚麼事情的模型，也就是行动)、自然语言处理模型(NLP)
而这些模型就相当於人类大脑的各种部位，它们各司其职
但是即便是人类大脑里的一个部位，也有数亿神经元
我们希望数百万个节点的模型可以做到比人脑的一个部位做得更好
这是有可能的，因为人类大脑其实是不完美的
而模型是可以调整的，我们可以调整直到它非常完美
达到完美之後呢，就可以应用了，像是脸部辨识模型可以用於脸部解锁
之後我们更进一步，把数个模型的功能合在一起
创造一个稍微大一点的模型，就可以取代人类低阶的工作
像是影像识别模型和强化学习模型可以用於自驾车，前者识别汽车、行人、红绿灯，後者决定该停下来，还是往前走，或是左转右转
而未来可能就没有驾驶这个职业了
但是这样还不够，我们希望能够把所有的模型整合起来，拼出一个完美的人类大脑
把好几个只有数百万节点的模型组合在一起，每一个模型相当於人脑的一个部位，每个部位具有更少的神经，却有更强的功能
最後会形成一个比人类大脑具有更少的神经，能力却更强的大脑
就可以用超级电脑取代高阶主管的工作
但是目前仅仅只是其中一种模型，都很难达到人类满意的水平
