关于机器学习的详细讨论

一。什么是机器学习

人工智能标准化白皮书(2018年版)

机器学习是一门跨学科的学科，涉及统计、系统识别、逼近理论、神经网络、优化理论、计算机科学、脑科学等多个领域。人工智能技术的核心是研究计算机如何模拟或实现人类的学习行为以获取新的知识或技能，并重组现有的知识结构以不断提高自身的性能。

基于数据的机器学习是现代智能技术的重要方法之一。这项研究从观察到的数据(样本)开始寻找规则，并使用这些规则来预测未来的数据或不可观察的数据。

吴恩达(吴恩达)

机器学习是让计算机在没有明确编程的情况下行动的科学。

机器学习是一门允许计算机在没有明确编程的情况下运行的科学。

微软(微软公司)

机器学习是一种数据科学技术，它帮助计算机从现有数据中学习，以预测未来的行为、结果和趋势。

机器学习是一种数据科学和技术，它帮助计算机从现有数据中学习并预测未来的行为、结果和趋势。

两个。与机器学习相关的术语

示例，实例：

被研究对象的个体。相当于统计学中的一个例子(实例)

特征和属性：

反映事件或物体在某一方面的表现或性质的事物，如大小和颜色

属性值(属性值):

属性值，如“绿色”和“黑色”

属性扩展的空间称为“属性空间”、“样本空间”或“输入空间”。

要素空间(要素空间):

每个特征作为一个坐标轴，所有特征所在的坐标轴形成一个描述不同样本的空间，称为特征空间

在这个空间中，每个特定的样本对应于空间中的一个点，在这个意义上，它也被称为样本点。

每个样本点对应一个特征空间向量，称为“特征向量”

特征的数量是特征空间的维度。

样本集和数据集：

几个样本的集合；集合的每个元素都是一个样本

测试样品”(测试样品):

学习模型后，用模型进行预测的过程称为“测试”，预测样本称为“测试样本”。

标记(标签):

很明显，光有以前的样本数据是不够的。为了建立这样一个预测模型，我们需要获得训练样本的“结果”信息，例如”((color=greenRooty=卷曲；敲门声==浊声)，好瓜)。这里，关于示例结果的信息，例如“好瓜”，被称为“标签”；带有标签信息的示例称为示例。

分类(分类):

如果我们想预测离散值，如“好瓜”和“坏瓜”，这种学习任务称为“分类”

回归(回归)

如果要预测连续值，例如西瓜成熟度为0.95和0.37，类似的学习任务称为“回归”。

对于那些只涉及两个类别的分类，我们称之为“二元分类”

群集”(群集)

也就是说，训练集中的样本被分成几个组，每个组被称为一个“簇”；

根据训练数据是否有标记信息，学习任务可以大致分为两类：“有监督学习”和“无监督学习”。分类和回归是前者的代表，聚类是后者的代表。