机器学习
机器学习
-
基础概念
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、逼近论、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，在经验学习中改善具体算法的性能。
是人工智能的核心，是使计算机具有智能的根本途径。
传统机器学习的研究方向主要包括决策树、随机森林（RF）、人工神经网络（Artificial Neural Networks，ANN）、贝叶斯学习等方面的研究。
-
常见算法
决策树算法
朴素贝叶斯算法
支持向量机算法
随机森林算法
人工神经网络算法
Boosting与Bagging算法
EM（期望最大化）算法
深度学习（DL，Deep Learning）：是机器学习（ML，Machine Learning）领域中一个新的研究方向
-
应用
数据分析、数据挖掘、生物数据解释、搜索技术、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术；
虚拟助手、交通预测、垃圾邮件信息恶意软件过滤
-
人工智能、机器学习、神经网络、深度学习的关系
实现人工智能的方法我们统称为机器学习；
深度学习是一种机器学习的技术；
深度学习是基于神经网络算法演变而来的，其实最开始只有神经网络算法
输入层和输出层之间加更多的”Hidden Layer“隐藏层，加的越多越”深“；传统的神经网络算法只有2-3层，再多层训练效果可能就不会再有比较大的提升，甚至会衰减。同时训练时间更长，甚至无法完成训练。但是Deep Learning可以有非常多层的“Hidden Layer”，并且效果很好。
-
模式识别、机器学习的关系
模式识别：自己建立模型刻画已有的特征，样本是用于估计模型中的参数。模式识别的落脚点是感知；
机器学习：根据样本训练模型，如训练好的神经网络是一个针对特定分类问题的模型；重点在于“学习”，训练模型的过程就是学习；机器学习的落脚点是思考；
区别：
1、模式识别是根据已有的特征，通过参数或者非参数的方法给定模型中的参数，从而达到判别目的的；机器学习侧重于在特征不明确的情况下，用某种具有普适性的算法给定分类规则；学过多元统计的可以这样理解：模式识别的概念可以类比判别分析，是确定的，可检验的，有统计背景的（或者更进一步说有机理性基础理论背景），而机器学习的概念可以类比聚类分析（聚类本身就是一种典型的机器学习方法），对“类”的严格定义尚不明确，更谈不上检验；
2、关于应用范围，机器学习目前是在狭义的人工智能领域走得比较快，但是广度还是模式识广，模式识别在很多经典领域，如信号处理，计算机图像与计算机视觉，自然语言分析等都不断有新发展；
3、从发展目标看，机器学习是要计算机学会思考，而模式识别是具体方法的自动化实现（不止计算机，还包括广义的控制系统），从立意上机器学习要高出一筹。
