機器學習顧名思義，計算機模擬人類學習行為，獲取學習規律改善自己。可以應用於資料的**任務。
人類學習： 外界現象-->認知-->推理判斷-->歸納規律
計算機：給定樣本資料-->學習規則-->獲取資料的規律 -->根據新的資料進行**
機器學習的物件：學習任務t，訓練經驗e，**效能目標p
例子：學習任務--下象棋； 效能目標--擊敗對手（勝率100%）； 訓練經驗--學習棋譜，自我博弈
機器學習的分類：
監督學習：房價**，回歸分析，曲線擬合。有結果對照
無監督學習：分類，垃圾簡訊，垃圾郵件。 無結果對照
強化學習：機械人控制。
具體的：
監督學習：
訓練集需要包括特徵資料和判別目標結果，訓練出模型根據特徵**結果。帶結果資料訓練。
例如根據身高，頭髮，吸菸的特徵判別性別。訓練集的資料特徵和目標是一一對應用於訓練。
最後根據你給定的特徵判斷結果。
無監督學習：
無標記的特徵資料，可以根據樣本的特徵分辨類別。
強化學習：
環境感知，做出嘗試動作，獎懲狀態，進行調整，嘗試新的動作。啟發式學習。
機器學習演算法一覽：
我的機器學習之旅 1
今天是2018年1月30日。為什麼要學習機器學習呢？這和我的課題緊密相關，我的研究課題是仿魚類側線系統來感知水流環境和避障等。水生生物，尤其是魚類，它們能夠在光線很差甚至是沒有光線的環境中自由的游泳，躲避障礙物甚至覓食，這些行為已經被生物學家證實和側線系統息息相關。下圖展示了魚的側線 魚的表面分布著...
開啟機器學習之旅
從今天開始，準備做深入學習人工智慧的相關知識。先從機器學習知識開始。因為之前有在網易公開課上簡單看過ng的機器學習課程，不過那個是當時在斯坦福錄製的，比較老。這次要系統全面深入地學習，畢竟也需要與時俱進麼，雖然貌似好像最近ai沒有那麼熱了，還是學點知識吧 主要從以下幾個 進行學習。包括 google...
機器學習一 機器學習概要
回歸 是指把實函式在樣本點附近加以近似的有監督的模式識別問題。對乙個或多個自變數和因變數之間關係進行建模，求解的一種統計方法。分類 是指對於指定的模式進行識別的有監督的模式識別問題。異常檢測 是指尋找輸入樣本ni 1i 1 n中所包含的異常資料的問題。常採用密度估計的方法 正常資料為靠近密度中心的資...