机器学习笔记（一）

什么是机器学习

对于某个给定的任务T，在合理的性能度量方案P的前提下，某计算机程序资助学习任务T的经验E；随着提供合适、优质、大量的经验E，该程序对于任务T性能逐步提高。

即：随着任务的不断执行，经验的积累会带来计算机性能的提升。

目前主要的算法有：

• 监督学习 supervised learning;
• 非监督学习 unsupervised learning;
• 半监督学习 semi-supervised learning;
• 强化学习 reinforcement learning;

监督学习是不断向计算机提供数据（特征），并告诉计算机对应的值（标签），最后通过大量的数据，让计算机自己学会判断和识别。分类和回归任务是监督学习的例子。例如，手写数字识别和房价预测。

非监督学习与监督学习的区别是，只向计算机提供数据（特征），但并不提供对应的值（标签）。例如需要计算机学会识别猫和狗，这时仅提供猫和狗的图片（特征），但是并不告诉计算机，哪些图片是猫，哪些图片是狗，让计算机自己去总结归纳出两者的特征规律。

半监督学习是一种综合了有标签数据和未标签数据的学习方式。模型通过同时使用这两种类型的数据进行训练，以提高性能。在半监督学习中，可以使用少量带有标签的数据和大量未标签的数据进行模型训练。

 强化学习是一种通过观察环境、执行动作并从奖励中学习的学习方式。它旨在使智能体（agent）在环境中学会采取一系列动作，以最大化累积奖励。AlphaGo 是一个著名的强化学习应用，通过与自己下围棋的对局进行训练，最终成为世界冠军。