机器学习/001：机器学习入门知识

TensorFlow常用于执行机器学习任务，尤其在神经网络方面。

什么是机器学习

    机器学习(Machine Learning，英文简称ML)广泛应用于数据挖掘、自然语言处理、图像识别或专家系统等应用。它在这些领域提供潜在的解决方案，并有成为未来新人类文明的核心。

    人们经常引用1959年Arthur Samuel给出表述：“机器学习是赋予计算机无需借助明确的编程并拥有学习的能力”。1997年Tom Mitchell给出适当的定义：( “A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E.”）“机器学习是一种从某些任务T和测量中获取经验E并表现出某种特定的行为P的计算机程序。若再次用行为P表现在任务T上，可以提升经验E”。

    举个例子，如果想用程序预测车水马龙的十字路口交通状况（任务T），可基于历史的交通状况数据（P）运用机器学习算法。如果成功学习，它将很好的预测未来的交通状况（P）。

    Scikit-learn（python库）: 监督学习和非监督学习，监督学习中分线性学习，回归学习（识别猫狗），分类学习，线性回归（金融预测房价）

什么是神经网络

    神经元负责传递和加工信息的计算单元。通过输入层->隐藏层->输出层，接收，加工处理，输出数据。

    训练神经网络需要大量的训练数据，训练结果与真实结果比较的差别反向反馈回神经网络，使每个神经元得到学习改进。经过多次训练就能向正确结果靠近。当训练时，神经网络中的部分神经元会被激活，当训练结果与真实结果有差异时，神经网络中的节点参数会发生改动，使得有些神经元变得迟钝（权重降低），相关的神经元变/得敏锐（权重升高）。