機器學習，即人工智慧的乙個分支，人工智慧目前具有一定的限制，無法突破強人工智慧，即無法像人類一樣思考，感受等。機器學習其實就是通過大量的資料輸入，找出符合資料集的演算法模型，在輸入新的資料集時在進行判斷其屬性，是數學、計算機和統計學的集合。類似於人類的學習經驗，使用經驗判斷的過程。機器學習在於區分和訓練最優的模型，即不斷的讓機器增長經驗，從而判斷出新資料的型別。機器學習可以不斷的優化公式，但不太可能得出乙個萬能公式，為了不斷得出正確的結果就需要不斷進行訓練，不斷的擬合出最優的函式。機器會得到乙個輸入集和結果集，不斷找出其關係，隨著大量經驗的積累，程式的效能也會逐漸提高。
流程演算法：依據給出的資料特徵，選擇乙個比較合適的演算法
模型：使用資料和演算法構建出模型
評估：檢驗模型的效能，然後不斷迴圈到第一步優化演算法
相應的概念
擬合：構建符合給定資料的演算法
魯棒性：健壯性，演算法是否通用，是否能夠更好的擬合正常和異常資料
過擬合：演算法過於符合資料的特徵，即只能適合一定範圍的資料，通用性非常差，在實際過程中資料基本無法擬合
欠擬合：不符合樣本特徵，無法有效的進行擬合
分類：將具有相同特徵的資料分在一起
適用場景
推薦廣告，營銷，劃分，**建模，模式識別，資料探勘，統計學習，語言處理，語音識別
分類有監督學習，無監督學習，半監督學習。其區分標準在於是否將已具有某些特性的樣本作為訓練集，這些樣本是人工進行標註的（標籤）。
有監督學習
判別式模型：線性回歸、決策樹、支援向量機svm、k鄰近、神經網路
生成式模型：隱馬爾可夫模型hmm、樸素貝葉斯模型、高斯混合模型gmm、lda
生成式模型更加普適，關注資料如何產生，尋找資料分布模型；判別式模型更加直接，關注資料差異性，尋找資料分類面。
無監督學習
通過提取或者學習資料特徵，抽取主要的特徵資訊，常見的演算法有聚類，降維，文字處理等，一般作為有監督學習的前期處理，功能是從原始資料中抽取必要的標籤資訊。
這其中有不合適或者不正確的地方歡迎指正，我的qq號碼：2867221444（喬金明），謝謝，也可以相互交流下，備註資訊隨意，只要能看得出是開發者或者學習者即可。
機器學習簡介
機器學習簡介 機器學習是人工智慧的乙個分支。人工智慧的研究是從以 推理 為重點到以 知識 為重點，再到以 學習 為重點，一條自然 清晰的脈絡。顯然，機器學習是實現人工智慧的乙個途徑，即以機器學習為手段解決人工智慧中的問題。機器學習在近30多年已發展為一門多領域交叉學科，涉及概率論 統計學 逼近論 凸...
機器學習簡介
機器學習101 在這篇博文中，我們將從以下幾個方面簡要地向大家介紹一下機器學習。如果你不是這方面的專家，也不需要擔心，因為在這篇博文中談及的內容僅需要高中的數學知識就足夠了。什麼是機器學習？牛津詞典將機器學習定義為 the capacity of a computer to learn from e...
機器學習簡介
先說點廢話 我們先做一些模擬資料 我做的這些資料大致滿足y 3x，一共有50個資料點，在最開始的時候初始的引數可能是0.1，y 0.1x顯然是不能模擬這些資料的，學習的過程就是在不斷的調整引數至不斷接近3的過程，當擬合的差不多的時候，我們就有了乙個比較好的模型，假如現在有乙個新的x 20，我們可以大...