什麼是機器學習

Ⅰ 機器學習是什麼

有一天，你想吃芒果了，你就到地邊的小攤上去買芒果，你可以自己用手挑芒果。挑完攤主稱重，根據重量付錢。
買芒果嘛，你只要不是重口味或者口味獨特，還是選擇最甜的，熟透了的芒果。因為你是根據重量來付錢的，又不是根據甜的程度或者熟了的程度，雖然攤主有時候會把好的芒果挑出一堆來單獨漲價，但是這里這個攤主沒這么做。
奶奶曾經告訴過你，芒果要買金黃色的，黃橙橙黃燦燦的，這樣的最甜，不要買那些淺黃色的，因為還沒熟透。
這樣你就有了一點經驗，雖然這點經驗是別人直接教給我的：「甜芒果，就是金黃色的」。
生活沒那麼簡單
回家，高高興興吃芒果，但是很快你會發現，並不是每個芒果都那麼甜，有些不甜。奶奶的經驗不是100%正確。只通過顏色判斷芒果甜不甜，不是很靠譜。
你回憶後發現「好像是又大又金黃色的比較甜，那些小點的金黃色的芒果，得有一半是不甜。」（買了100個金黃色的芒果，有50個大的，都是甜的；另外有50個小的，其中有25個是不甜的。）
你總結出來一條經驗規則了：大的金黃色的是最甜的。哈哈。你又高高興興的去買芒果。Shit，你熟悉的、你信得過的那個攤主走了。所以你得
換一個小攤買芒果了，但是新的攤主的芒果是產自不同的地方，你之前總結的經驗可能不行了，你不知道能不能遷移過去（transfer
learning），於是你從頭再開始嘗試吧，發現這里小的，淺黃色的是最甜的！
一天，你表妹來找你玩，想吃芒果，但是她不在乎甜不甜，她喜歡吃多汁的。唉，以前的經驗又不頂用了。你只能進行新的一輪實驗，目標就是多汁的芒果（優化目標變了）。你又總結出，越軟的越多汁。
你出國了讀PhD，這里的芒果跟你家鄉的差不太大了，這里綠色的最好吃。PhD畢業後，你結婚了，老婆不喜歡吃芒果，喜歡吃蘋果。你積累的豐富的挑
if (color is bright yellow and size is big and sold by favorite
vendor): mango is sweet.
if (soft): mango is juicy.etc.
但是你想啊，這些規則越來越多的話，特徵之間的組合啥的就越來越麻煩了，管理、使用都很麻煩。包括寫程序實現啊，誰會笨到寫這么多IfThen。機器學習
隨機的選擇了一個市場上的芒果，作為要研究的目標（training
data）。你可以用一個表格描述芒果屬性和類型的關系，每一行可以放一個芒果的數據，包括芒果的物理屬性（feature）:顏色、大小、形狀、軟硬度、產地，等等，還有這么芒果的類型（output
variables）：甜度、成熟度、多汁度。然後這就是一個多分類問題，或者回歸問題，自動的從數據中學習出特徵與芒果類型的各種關系等。
如果你用決策樹演算法，那麼這個模型的樣子就是你的規則庫了；當然你可以使用其他模型，例如線性模型，這樣就是特徵的線性組合了。
甚至你的選擇芒果的模型，稍微變化下就可以選擇蘋果了，遷移學習。
甚至你的模型會隨著新的樣本、新芒果種類進來後，變的越來越好，增量學習。轉自-丕子 原文基礎上稍作修改

Ⅱ 機器學習是什麼

機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法內復雜度理論等多門學科。專門研究計容算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。深度學習的發展需要大數據跟計算力的支撐，思騰合力成立 10 年來深耕教育、科研、AI行業，80%做人工智慧科研等領域研究的重點高校已應用思騰產品，為各專業老師和同學們的科學實驗研究提供了優秀的GPU加速解決方案，以及中科院下屬各科研機構、研究所等也跟思騰建立了長期的合作關系，助力國家各領域科學研究。

Ⅲ 什麼是機器學習

機器學習通過從數據里提取規則或模式來把數據轉換成信息。主要的方法有歸納學習法和分析學習法。數據首先被預處理，形成特徵，然後根據特徵創建某種模型。機器學習演算法分析收集到的數據，分配權重、閾值和其他參數達到學習目的。如果只想把數據分成不同的類，那麼「聚類」演算法就夠了；如果需要預測，則需要一個「分類」演算法。OpenCV庫裡麵包含的是基於概率統計的機器學習方法，貝葉斯網路、馬爾科夫隨機場、圖模型等較新的演算法還在成長過程中，所以OpenCV還沒有收錄。
機器學習的演算法有很多很多：1、Mahalanobis
2、K-means 非監督的聚類方法3、樸素貝葉斯分類器 特徵是高斯分布&&統計上相互獨立 條件比較苛刻4、決策數 判別分類器，根據閾值分類數據，速度快。ID3，C4.5
5、Boosting 多個判別子分類器的組合6、隨機森林 由多個決策樹組成7、人臉檢測/Haar分類器 使用Boosting演算法8、期望最大化EM 用於聚類的非監督生成演算法
9、K-近鄰 最簡單的分類器10、神經網路（多層感知器） 訓練分類器很慢，但是識別很快11、支持向量機 SVM 可以分類，也可以回歸。通過分類超平面實現在高維空間里的最優分類
12、遺傳演算法 借鑒生物遺傳機制 ，隨機化非線性計算演算法總之呢，個人覺得，機器學習、數據挖掘、模式識別、專家系統等方向和領域目前還是一種比較混亂的局面。學術界和商業界可能是不同的，關於演算法的理論研究和使用這些方法生成商品是分別關注的。按照不同的領域、不同的方法可以劃分出眾多的分支。但是有一點是肯定的，這些在上世紀80年代提出來的公式和證明，如今正在變成一行行的代碼，在一些貓（tomcat）、IIS等伺服器的支持下，爬上了網路，到處尋覓對主人有用的信息，然後運送到網路中，最終生成產品，或者半產品。看看你電腦上的那根網線，它那麼小，但是很難想像它從你的電腦上拿走了什麼，又給你送來了什麼。有些遠了，繼續說數據這些事。目前我接觸過的演算法有：（太多了，一時間真不好說出來） 神經網路（感知器、BP、RBF等很多的演算法），遺傳演算法，支持向量機，層次分析法，各種回歸，灰色系統（國產的方法，用於不確定知識的預測），粗糙集，貝葉斯網路，時間序列分析（也有很多）。學習和研究紙面的演算法公式只是第一步，不可以忽略的基礎，如何使用這些方法，在浩瀚的互聯網上找到自己需要的、滿足客戶需要的數據和信息，從而讓需要的人能夠更加方便地得到，是今後的重頭戲了。貌似很多的企業已經進軍數據倉庫這一塊，並嘗到了巨大的甜頭，也有企業養著一隊預備軍，專注研發，隨時准備奔赴前線，佔領市場。無線網路市場的競爭已經到了激烈的局面，普適計算的時代也快到了吧。它依賴於硬體產品的可穿戴，和軟體產品的內嵌、快速響應。總而言之，越來越人性化，誰都不願意抱著筆記本電腦蹲廁所，是吧？

Ⅳ 什麼是機器學習

深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。學習的話可以加裙前面六九式中間二六九最後加上五四零就可以進來學習了奧，不定期還會有資料推送，還有人工智慧領域大牛在線解答問題。
深度學習的概念由hinton等人於2006年提出。基於深信度網(dbn)提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關系減少參數數目以提高訓練性能。
深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。
同機器學習方法一樣，深度機器學習方法也有監督學習與無監督學習之分．不同的學習框架下建立的學習模型很是不同．例如，卷積神經網路（convolutional neural networks，簡稱cnns）就是一種深度的監督學習下的機器學習模型，而深度置信網（deep belief nets，簡稱dbns）就是一種無監督學習下的機器學習模型。
深度不足會出現問題
在許多情形中深度2就足夠表示任何一個帶有給定目標精度的函數。但是其代價是：圖中所需要的節點數(比如計算和參數數量)可能變的非常大。理論結果證實那些事實上所需要的節點數隨著輸入的大小指數增長的函數族是存在的。
我們可以將深度架構看做一種因子分解。大部分隨機選擇的函數不能被有效地表示，無論是用深的或者淺的架構。但是許多能夠有效地被深度架構表示的卻不能被用淺的架構高效表示。一個緊的和深度的表示的存在意味著在潛在的可被表示的函數中存在某種結構。如果不存在任何結構，那將不可能很好地泛化。
大腦有一個深度架構
例如，視覺皮質得到了很好的研究，並顯示出一系列的區域，在每一個這種區域中包含一個輸入的表示和從一個到另一個的信號流(這里忽略了在一些層次並行路徑上的關聯，因此更復雜)。這個特徵層次的每一層表示在一個不同的抽象層上的輸入，並在層次的更上層有著更多的抽象特徵，他們根據低層特徵定義。
需要注意的是大腦中的表示是在中間緊密分布並且純局部：他們是稀疏的：1%的神經元是同時活動的。給定大量的神經元，仍然有一個非常高效地(指數級高效)表示。
認知過程逐層進行，逐步抽象
人類層次化地組織思想和概念；
人類首先學習簡單的概念，然後用他們去表示更抽象的；
工程師將任務分解成多個抽象層次去處理；
學習/發現這些概念(知識工程由於沒有反省而失敗？)是很美好的。對語言可表達的概念的反省也建議我們一個稀疏的表示：僅所有可能單詞/概念中的一個小的部分是可被應用到一個特別的輸入(一個視覺場景)。
核心思想
把學習結構看作一個網路，則深度學習的核心思路如下：
①無監督學慣用於每一層網路的pre-train；
②每次用無監督學習只訓練一層，將其訓練結果作為其高一層的輸入；
③用自頂而下的監督演算法去調整所有層

Ⅳ 機器學習是什麼

機器學習是一門多領域交叉學科，涉及概率論，統計學，逼近論，凸分析，演算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

它是人工智慧的核心，是使計算機具有智能的根本途徑。

機器學習有下面幾種定義：

(1) 機器學習是一門人工智慧的科學,該領域的主要研究對象是人工智慧，特別是如何在經驗學習中改善具體演算法的性能。

(2) 機器學習是對能通過經驗自動改進的計算機演算法的研究。

(3) 機器學習是用數據或以往的經驗,以此優化計算機程序的性能標准。

(5)什麼是機器學習擴展閱讀：

基於學習方式的分類，機器學習分為：

(1) 監督學習(有導師學習)：輸入數據中有導師信號，以概率函數、代數函數或人工神經網路為基函數模型，採用迭代計算方法，學習結果為函數。

(2) 無監督學習(無導師學習)：輸入數據中無導師信號，採用聚類方法，學習結果為類別。典型的無導師學習有發現學習、聚類、競爭學習等。

(3) 強化學習(增強學習)：以環境反慣(獎/懲信號)作為輸入，以統計和動態規劃技術為指導的一種學習方法。

基於數據形式的分類，機器學習分為：

(1) 結構化學習：以結構化數據為輸人，以數值計算或符號推演為方法。典型的結構化學習有神經網路學習、統計學習、決策樹學習、規則學習。

(2) 非結構化學習：以非結構化數據為輸人，典型的非結構化學習有類比學習案例學習、解釋學習、文本挖掘、圖像挖掘、Web挖掘等。

基於學習目標的分類，機器學習分為：

(1) 概念學習：學習的目標和結果為概念，或者說是為了獲得概念的學習。典型的概念學習主要有示例學習。

(2) 規則學習：學習的目標和結果為規則，或者為了獲得規則的學習。典型規則學習主要有決策樹學習。

(3) 函數學習：學習的目標和結果為函數，或者說是為了獲得函數的學習。典型函數學習主要有神經網路學習。

(4) 類別學習：學習的目標和結果為對象類，或者說是為了獲得類別的學習。典型類別學習主要有聚類分析。

(5) 貝葉斯網路學習：學習的目標和結果是貝葉斯網路，或者說是為了獲得貝葉斯網路的一種學習。其又可分為結構學習和多數學習。

Ⅵ 什麼是機器學習

機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

它是人工智慧的核心，是使計算機具有智能的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。

Ⅶ 什麼是機器學習框架

機器學習框架是涵蓋用於分類，回歸，聚類，異常檢測和數據准備的各種學習方法，並且其可以或可以不包括神經網路方法。比較流行的機器學習框架有：

1. Apache Singa

Apache Singa是一個用於在大型數據集上訓練深度學習的通用分布式深度學習平台，它是基於分層抽象的簡單開發模型設計的。它還支持各種當前流行的深度學習模型，有前饋模型(卷積神經網路，CNN)，能量模型(受限玻爾茲曼機，RBM和循環神經網路，RNN)，還為用戶提供了許多內嵌層。

2. Amazon Machine Learning(AML)

Amazon Machine Learning(AML)是一種讓各種級別使用機器學習技術的開發人員可輕松掌握的一個服務，提供了視覺工具和向導，可以指導在不必學習復雜的機器學習演算法和技術的情況下建立機器學習。

3. Azure ML Studio

Azure ML Studio允許微軟Azure的用戶創建和訓練模型，隨後將這些模型轉化為能被其他服務使用的API。盡管您可以將自己的Azure存儲鏈接到更大模型的服務，但是每個賬戶模型數據的存儲容量最多不超過10GB。

4. Caffe

Caffe是由伯克利視覺學習中心(BLVC)和社區貢獻者們基於BSD-2-協議開發的一個深度學習框架，它秉承「表示、效率和模塊化」的開發理念。模型和組合優化通過配置而不是硬編碼實現，並且用戶可根據需要在CPU處理和GPU處理之間進行切換，Caffe的高效性使其在實驗研究和產業部署中的表現很完美，使用單個NVIDIA K40 GPU處理器每天即可處理超過六千萬張圖像 。

(7)什麼是機器學習擴展閱讀：

機器學習常見演算法：

1、決策樹演算法

決策樹及其變種是一類將輸入空間分成不同的區域，每個區域有獨立參數的演算法。決策樹演算法充分利用了樹形模型，根節點到一個葉子節點是一條分類的路徑規則，每個葉子節點象徵一個判斷類別。先將樣本分成不同的子集，再進行分割遞推，直至每個子集得到同類型的樣本，從根節點開始測試，到子樹再到葉子節點，即可得出預測類別。此方法的特點是結構簡單、處理數據效率較高。

2、樸素貝葉斯演算法

樸素貝葉斯演算法是一種分類演算法。它不是單一演算法，而是一系列演算法，它們都有一個共同的原則，即被分類的每個特徵都與任何其他特徵的值無關。樸素貝葉斯分類器認為這些「特徵」中的每一個都獨立地貢獻概率，而不管特徵之間的任何相關性。然而，特徵並不總是獨立的，這通常被視為樸素貝葉斯演算法的缺點。簡而言之，樸素貝葉斯演算法允許我們使用概率給出一組特徵來預測一個類。與其他常見的分類方法相比，樸素貝葉斯演算法需要的訓練很少。在進行預測之前必須完成的唯一工作是找到特徵的個體概率分布的參數，這通常可以快速且確定地完成。這意味著即使對於高維數據點或大量數據點，樸素貝葉斯分類器也可以表現良好。

3、支持向量機演算法

基本思想可概括如下：首先，要利用一種變換將空間高維化，當然這種變換是非線性的，然後，在新的復雜空間取最優線性分類表面[8]。由此種方式獲得的分類函數在形式上類似於神經網路演算法。支持向量機是統計學習領域中一個代表性演算法，但它與傳統方式的思維方法很不同，輸入空間、提高維度從而將問題簡短化，使問題歸結為線性可分的經典解問題。支持向量機應用於垃圾郵件識別，人臉識別等多種分類問題。

Ⅷ 機器學習的含義是什麼

機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。
它是人工智慧的核心，是使計算機具有智能的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。
機器學習是人工智慧研究較為年輕的分支，它的發展過程大體上可分為4個時期。
第一階段是在20世紀50年代中葉到60年代中葉，屬於熱烈時期。
第二階段是在20世紀60年代中葉至70年代中葉，被稱為機器學習的冷靜時期。
第三階段是從20世紀70年代中葉至80年代中葉，稱為復興時期。
機器學習的最新階段始於1986年。
機器學習進入新階段的重要表現在下列諸方面：
(1) 機器學習已成為新的邊緣學科並在高校形成一門課程。它綜合應用心理學、生物學和神經生理學以及數學、自動化和計算機科學形成機器學習理論基礎。
(2) 結合各種學習方法，取長補短的多種形式的集成學習系統研究正在興起。特別是連接學習符號學習的耦合可以更好地解決連續性信號處理中知識與技能的獲取與求精問題而受到重視。
(3) 機器學習與人工智慧各種基礎問題的統一性觀點正在形成。例如學習與問題求解結合進行、知識表達便於學習的觀點產生了通用智能系統SOAR的組塊學習。類比學習與問題求解結合的基於案例方法已成為經驗學習的重要方向。
(4) 各種學習方法的應用范圍不斷擴大，一部分已形成商品。歸納學習的知識獲取工具已在診斷分類型專家系統中廣泛使用。連接學習在聲圖文識別中占優勢。分析學習已用於設計綜合型專家系統。遺傳演算法與強化學習在工程式控制制中有較好的應用前景。與符號系統耦合的神經網路連接學習將在企業的智能管理與智能機器人運動規劃中發揮作用。
(5) 與機器學習有關的學術活動空前活躍。國際上除每年一次的機器學習研討會外，還有計算機學習理論會議以及遺傳演算法會議。

Ⅸ 什麼是機器學習

機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

它是人工智慧的核心，是使計算機具有智能的根本途徑。

機器學習有下面幾種定義：

(1) 機器學習是一門人工智慧的科學,該領域的主要研究對象是人工智慧，特別是如何在經驗學習中改善具體演算法的性能。

(2) 機器學習是對能通過經驗自動改進的計算機演算法的研究。

(3) 機器學習是用數據或以往的經驗,以此優化計算機程序的性能標准。

(9)什麼是機器學習擴展閱讀：

基於學習策略的機器學習分類：

(1) 模擬人腦的機器學習

符號學習：模擬人腦的宏現心理級學習過程，以認知心理學原理為基礎，以符號數據為輸入，以符號運算為方法，用推理過程在圖或狀態空間中搜索，學習的目標為概念或規則等。符號學習的典型方法有記憶學習、示例學習、演繹學習.類比學習、解釋學習等。

神經網路學習(或連接學習)：模擬人腦的微觀生理級學習過程，以腦和神經科學原理為基礎，以人工神經網路為函數結構模型，以數值數據為輸人，以數值運算為方法，用迭代過程在系數向量空間中搜索，學習的目標為函數。典型的連接學習有權值修正學習、拓撲結構學習。

(2) 直接採用數學方法的機器學習

主要有統計機器學習。

統計機器學習是基於對數據的初步認識以及學習目的的分析，選擇合適的數學模型，擬定超參數，並輸入樣本數據，依據一定的策略，運用合適的學習演算法對模型進行訓練，最後運用訓練好的模型對數據進行分析預測。

統計機器學習三個要素：

模型(model)：模型在未進行訓練前，其可能的參數是多個甚至無窮的，故可能的模型也是多個甚至無窮的，這些模型構成的集合就是假設空間。

策略(strategy)：即從假設空間中挑選出參數最優的模型的准則。模型的分類或預測結果與實際情況的誤差(損失函數)越小，模型就越好。那麼策略就是誤差最小。

演算法(algorithm)：即從假設空間中挑選模型的方法(等同於求解最佳的模型參數)。機器學習的參數求解通常都會轉化為最優化問題，故學習演算法通常是最優化演算法，例如最速梯度下降法、牛頓法以及擬牛頓法等。

Ⅹ python的機器學習是什麼

如果有興趣不妨學一下。機器學習和普通的數據分析不同，它是讓電腦主動找到一些數據的版內在權邏輯，而不是被動的求平均數、方差、線性回歸等。
機器學習和人工智慧略有差異，但原理是一樣的，都是讓電腦自己尋找數據的內在邏輯。不同之處是，機器學習常用比較經典的演算法，如樸素貝葉斯、支持向量等，而人工智慧常用各種神經網路，如DNN、CNN、RNN等。