機器學習1 基本概念

1. 機器學習定義

機器學習（arthur samuel，1959）：在確定程式設計之外給予計算機學習能力的研究領域。

機器學習（tom mitchell，1998）：如果電腦程式對於任務t的效能度量p通過經驗e得到了提高，則認為此程式對e進行了學習。

2. 機器學習四個主要內容

-監督學習：包括回歸（連續性問題：**值或目標變數是連續的）、分類（離散性問題：**值或目標變數是離散值）。需要訓練集，訓練集給出自變數和因變數（即標籤），通過訓練集構造模型；之後，對於新的自變數，採用學習到的模型**因變數的值。

-學習理論（learning theory）：證明機器學習演算法的有效性。

-無監督學習（unsupervised learning）：無訓練集。將所有的資料根據某些屬性進行聚類，之後對聚類結果進行分析，獲取知識。

-強化學習（reinforcement learning）：關鍵是引入了回報函式（reward function）的概念。通過回報函式不斷修正學習演算法，以使演算法更有效。

機器學習（1） 基本概念

神經網路技術起源與上世紀50年代。當時叫做感知機。擁有輸入層，輸出層和乙個隱含層。這種感知機被稱為單層感知機 1959，機器學習被定義為不直接程式設計的情況下賦予計算機學習能力。1974年哈佛大學的paul werbos發明bp演算法。bp演算法正是用來求解這種多層復合函式的所有變數的偏導數的利器。...

機器學習1 基本概念

參考 資料集 色澤 青綠 根蒂 蜷縮 敲聲 濁響 色澤 墨綠 根蒂 稍蜷 敲聲 沉悶 色澤 淺白 根蒂 硬挺 敲聲 清脆 基本概念 1 樣本 這批資料裡的每對括號。2 資料集 樣本的集合。3 特徵 屬性 色澤 根蒂 敲聲等反映事物的本質的可觀察方面。4 屬性值 青旅 墨綠 蜷縮 濁響等，是屬性的取值...

機器學習基本概念（1）

機器學習是研究如何通過計算的手段，利用經驗來改進系統的效能，而經驗往往是指資料。機器學習本質上是一種複雜的演算法，它通過在大量的資料中挖掘隱含的資訊，從而達到 輸出和分類的目的。通過學習得到的模型，很好的適用於新的樣本，這種能力也叫泛化能力。資料集 n條記錄的集合 示例 樣本 特徵向量 每條記錄關於...