机器学习概述

今日主要了解了机器学习的概述，了解了机器学习的大致内容，对今后几日的学习有了初步的了解。主要的学习的内容如下：

 1.什么是机器学习？

     机器学习是一门多领域交叉学科，涉及概率论，统计学，微积分等多门学科。专门研究实现使机器模拟或实现人类的学习行为，获取新的知识和技能，并不断通过学习来完善自身的性能。大致分为监督学习，无监督学习，强化学习三类。此次暑期学习小组主要学习监督学习中的线性模型和支持向量机。

 2.机器学习的任务。

     典型任务有：
     回归：指把实函数在样本点附近加以近似的有监督的函数近似问题。
     分类：对于指定的模式进行识别的有监督的模型识别问题。
     异常检测：寻找输入样本中所包含的异常数据的问题。
     聚类：与分类问题相同，也是模式识别的问题，但是属于无监督学习的一种。
     降维：从高维度数据中提取关键信息，将其转换为易于计算的低维度问题进而求解。

 3.机器学习的发展历程。

     1949年，机器学习的第一步，Hebb提出Hebbian学习原理。
     随后在1952年，Arthur Samuel研发出了著名的西洋棋程序，并定义了机器学习（machine learning）的概念。
     1957年，Rosenblatt的Perceptron是第二个以神经科学为背景提出的模型。
     3年之后，Widrow[4]制定了三角洲学习规则用于实际中训练感知器(Perceptron)的过程。这也被称为最小平方问题。
     1969年，Minsky[3]提出了著名的亦或问题和Perceptrons在该线性不可分割数据分布的无力。使神经网络社区的发展停滞。之后，神经网络的研究者们的活动一直处于休眠状态直到20世纪80年代。
     1981年之前，社区一直未再作出更多的前进，直到 Werbos[6] 通过神经网络下的BP算法提出多层感知器（MLP）。
     1986年，J.R.Quinlan提出决策树这一著名的机器学习算法。
     1995年，支持向量机的出现，使得机器学习取得了巨大的突破。同时神经网络开始沉寂。
     直到这个世纪初，深度学习的概念被提出，神经网络大热，重回热门。

 4.机器学习中的一些基本概念。

     模型：泛指从数据中得到的结果。也有文献中指全局性的结果。
     样本：对一个对象或事件的描述，反映事件或对象在某方面的表现或性质的事项。
     训练：从数据中学得模型的过程称为训练。
     训练数据：训练过程使用的数据就是训练数据。
     监督学习和无监督学习：根据有无标记信息来划分学习任务。有则是监督学习，反之则为无监督学习。