什么是机器学习

Ⅰ 机器学习是什么

有一天，你想吃芒果了，你就到地边的小摊上去买芒果，你可以自己用手挑芒果。挑完摊主称重，根据重量付钱。
买芒果嘛，你只要不是重口味或者口味独特，还是选择最甜的，熟透了的芒果。因为你是根据重量来付钱的，又不是根据甜的程度或者熟了的程度，虽然摊主有时候会把好的芒果挑出一堆来单独涨价，但是这里这个摊主没这么做。
奶奶曾经告诉过你，芒果要买金黄色的，黄橙橙黄灿灿的，这样的最甜，不要买那些浅黄色的，因为还没熟透。
这样你就有了一点经验，虽然这点经验是别人直接教给我的：“甜芒果，就是金黄色的”。
生活没那么简单
回家，高高兴兴吃芒果，但是很快你会发现，并不是每个芒果都那么甜，有些不甜。奶奶的经验不是100%正确。只通过颜色判断芒果甜不甜，不是很靠谱。
你回忆后发现“好像是又大又金黄色的比较甜，那些小点的金黄色的芒果，得有一半是不甜。”（买了100个金黄色的芒果，有50个大的，都是甜的；另外有50个小的，其中有25个是不甜的。）
你总结出来一条经验规则了：大的金黄色的是最甜的。哈哈。你又高高兴兴的去买芒果。Shit，你熟悉的、你信得过的那个摊主走了。所以你得
换一个小摊买芒果了，但是新的摊主的芒果是产自不同的地方，你之前总结的经验可能不行了，你不知道能不能迁移过去（transfer
learning），于是你从头再开始尝试吧，发现这里小的，浅黄色的是最甜的！
一天，你表妹来找你玩，想吃芒果，但是她不在乎甜不甜，她喜欢吃多汁的。唉，以前的经验又不顶用了。你只能进行新的一轮实验，目标就是多汁的芒果（优化目标变了）。你又总结出，越软的越多汁。
你出国了读PhD，这里的芒果跟你家乡的差不太大了，这里绿色的最好吃。PhD毕业后，你结婚了，老婆不喜欢吃芒果，喜欢吃苹果。你积累的丰富的挑
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，这些规则越来越多的话，特征之间的组合啥的就越来越麻烦了，管理、使用都很麻烦。包括写程序实现啊，谁会笨到写这么多IfThen。机器学习
随机的选择了一个市场上的芒果，作为要研究的目标（training
data）。你可以用一个表格描述芒果属性和类型的关系，每一行可以放一个芒果的数据，包括芒果的物理属性（feature）:颜色、大小、形状、软硬度、产地，等等，还有这么芒果的类型（output
variables）：甜度、成熟度、多汁度。然后这就是一个多分类问题，或者回归问题，自动的从数据中学习出特征与芒果类型的各种关系等。
如果你用决策树算法，那么这个模型的样子就是你的规则库了；当然你可以使用其他模型，例如线性模型，这样就是特征的线性组合了。
甚至你的选择芒果的模型，稍微变化下就可以选择苹果了，迁移学习。
甚至你的模型会随着新的样本、新芒果种类进来后，变的越来越好，增量学习。转自-丕子 原文基础上稍作修改

Ⅱ 机器学习是什么

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法内复杂度理论等多门学科。专门研究计容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。深度学习的发展需要大数据跟计算力的支撑，思腾合力成立 10 年来深耕教育、科研、AI行业，80%做人工智能科研等领域研究的重点高校已应用思腾产品，为各专业老师和同学们的科学实验研究提供了优秀的GPU加速解决方案，以及中科院下属各科研机构、研究所等也跟思腾建立了长期的合作关系，助力国家各领域科学研究。

Ⅲ 什么是机器学习

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、Mahalanobis
2、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&&统计上相互独立 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，C4.5
5、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？

Ⅳ 什么是机器学习

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

Ⅳ 机器学习是什么

机器学习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。

它是人工智能的核心，是使计算机具有智能的根本途径。

机器学习有下面几种定义：

(1) 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。

(2) 机器学习是对能通过经验自动改进的计算机算法的研究。

(3) 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。

(5)什么是机器学习扩展阅读：

基于学习方式的分类，机器学习分为：

(1) 监督学习(有导师学习)：输入数据中有导师信号，以概率函数、代数函数或人工神经网络为基函数模型，采用迭代计算方法，学习结果为函数。

(2) 无监督学习(无导师学习)：输入数据中无导师信号，采用聚类方法，学习结果为类别。典型的无导师学习有发现学习、聚类、竞争学习等。

(3) 强化学习(增强学习)：以环境反惯(奖/惩信号)作为输入，以统计和动态规划技术为指导的一种学习方法。

基于数据形式的分类，机器学习分为：

(1) 结构化学习：以结构化数据为输人，以数值计算或符号推演为方法。典型的结构化学习有神经网络学习、统计学习、决策树学习、规则学习。

(2) 非结构化学习：以非结构化数据为输人，典型的非结构化学习有类比学习案例学习、解释学习、文本挖掘、图像挖掘、Web挖掘等。

基于学习目标的分类，机器学习分为：

(1) 概念学习：学习的目标和结果为概念，或者说是为了获得概念的学习。典型的概念学习主要有示例学习。

(2) 规则学习：学习的目标和结果为规则，或者为了获得规则的学习。典型规则学习主要有决策树学习。

(3) 函数学习：学习的目标和结果为函数，或者说是为了获得函数的学习。典型函数学习主要有神经网络学习。

(4) 类别学习：学习的目标和结果为对象类，或者说是为了获得类别的学习。典型类别学习主要有聚类分析。

(5) 贝叶斯网络学习：学习的目标和结果是贝叶斯网络，或者说是为了获得贝叶斯网络的一种学习。其又可分为结构学习和多数学习。

Ⅵ 什么是机器学习

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。

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。

Ⅶ 什么是机器学习框架

机器学习框架是涵盖用于分类，回归，聚类，异常检测和数据准备的各种学习方法，并且其可以或可以不包括神经网络方法。比较流行的机器学习框架有：

1. Apache Singa

Apache Singa是一个用于在大型数据集上训练深度学习的通用分布式深度学习平台，它是基于分层抽象的简单开发模型设计的。它还支持各种当前流行的深度学习模型，有前馈模型(卷积神经网络，CNN)，能量模型(受限玻尔兹曼机，RBM和循环神经网络，RNN)，还为用户提供了许多内嵌层。

2. Amazon Machine Learning(AML)

Amazon Machine Learning(AML)是一种让各种级别使用机器学习技术的开发人员可轻松掌握的一个服务，提供了视觉工具和向导，可以指导在不必学习复杂的机器学习算法和技术的情况下建立机器学习。

3. Azure ML Studio

Azure ML Studio允许微软Azure的用户创建和训练模型，随后将这些模型转化为能被其他服务使用的API。尽管您可以将自己的Azure存储链接到更大模型的服务，但是每个账户模型数据的存储容量最多不超过10GB。

4. Caffe

Caffe是由伯克利视觉学习中心(BLVC)和社区贡献者们基于BSD-2-协议开发的一个深度学习框架，它秉承“表示、效率和模块化”的开发理念。模型和组合优化通过配置而不是硬编码实现，并且用户可根据需要在CPU处理和GPU处理之间进行切换，Caffe的高效性使其在实验研究和产业部署中的表现很完美，使用单个NVIDIA K40 GPU处理器每天即可处理超过六千万张图像 。

(7)什么是机器学习扩展阅读：

机器学习常见算法：

1、决策树算法

决策树及其变种是一类将输入空间分成不同的区域，每个区域有独立参数的算法。决策树算法充分利用了树形模型，根节点到一个叶子节点是一条分类的路径规则，每个叶子节点象征一个判断类别。先将样本分成不同的子集，再进行分割递推，直至每个子集得到同类型的样本，从根节点开始测试，到子树再到叶子节点，即可得出预测类别。此方法的特点是结构简单、处理数据效率较高。

2、朴素贝叶斯算法

朴素贝叶斯算法是一种分类算法。它不是单一算法，而是一系列算法，它们都有一个共同的原则，即被分类的每个特征都与任何其他特征的值无关。朴素贝叶斯分类器认为这些“特征”中的每一个都独立地贡献概率，而不管特征之间的任何相关性。然而，特征并不总是独立的，这通常被视为朴素贝叶斯算法的缺点。简而言之，朴素贝叶斯算法允许我们使用概率给出一组特征来预测一个类。与其他常见的分类方法相比，朴素贝叶斯算法需要的训练很少。在进行预测之前必须完成的唯一工作是找到特征的个体概率分布的参数，这通常可以快速且确定地完成。这意味着即使对于高维数据点或大量数据点，朴素贝叶斯分类器也可以表现良好。

3、支持向量机算法

基本思想可概括如下：首先，要利用一种变换将空间高维化，当然这种变换是非线性的，然后，在新的复杂空间取最优线性分类表面[8]。由此种方式获得的分类函数在形式上类似于神经网络算法。支持向量机是统计学习领域中一个代表性算法，但它与传统方式的思维方法很不同，输入空间、提高维度从而将问题简短化，使问题归结为线性可分的经典解问题。支持向量机应用于垃圾邮件识别，人脸识别等多种分类问题。

Ⅷ 机器学习的含义是什么

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。
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。
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20世纪50年代中叶到60年代中叶，属于热烈时期。
第二阶段是在20世纪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20世纪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。

Ⅸ 什么是机器学习

机器学习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。

它是人工智能的核心，是使计算机具有智能的根本途径。

机器学习有下面几种定义：

(1) 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。

(2) 机器学习是对能通过经验自动改进的计算机算法的研究。

(3) 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。

(9)什么是机器学习扩展阅读：

基于学习策略的机器学习分类：

(1) 模拟人脑的机器学习

符号学习：模拟人脑的宏现心理级学习过程，以认知心理学原理为基础，以符号数据为输入，以符号运算为方法，用推理过程在图或状态空间中搜索，学习的目标为概念或规则等。符号学习的典型方法有记忆学习、示例学习、演绎学习.类比学习、解释学习等。

神经网络学习(或连接学习)：模拟人脑的微观生理级学习过程，以脑和神经科学原理为基础，以人工神经网络为函数结构模型，以数值数据为输人，以数值运算为方法，用迭代过程在系数向量空间中搜索，学习的目标为函数。典型的连接学习有权值修正学习、拓扑结构学习。

(2) 直接采用数学方法的机器学习

主要有统计机器学习。

统计机器学习是基于对数据的初步认识以及学习目的的分析，选择合适的数学模型，拟定超参数，并输入样本数据，依据一定的策略，运用合适的学习算法对模型进行训练，最后运用训练好的模型对数据进行分析预测。

统计机器学习三个要素：

模型(model)：模型在未进行训练前，其可能的参数是多个甚至无穷的，故可能的模型也是多个甚至无穷的，这些模型构成的集合就是假设空间。

策略(strategy)：即从假设空间中挑选出参数最优的模型的准则。模型的分类或预测结果与实际情况的误差(损失函数)越小，模型就越好。那么策略就是误差最小。

算法(algorithm)：即从假设空间中挑选模型的方法(等同于求解最佳的模型参数)。机器学习的参数求解通常都会转化为最优化问题，故学习算法通常是最优化算法，例如最速梯度下降法、牛顿法以及拟牛顿法等。

Ⅹ python的机器学习是什么

如果有兴趣不妨学一下。机器学习和普通的数据分析不同，它是让电脑主动找到一些数据的版内在权逻辑，而不是被动的求平均数、方差、线性回归等。
机器学习和人工智能略有差异，但原理是一样的，都是让电脑自己寻找数据的内在逻辑。不同之处是，机器学习常用比较经典的算法，如朴素贝叶斯、支持向量等，而人工智能常用各种神经网络，如DNN、CNN、RNN等。