1、机器学习知识体系概述

机器学习知识体系概述

1. 机器学习基础

1.1 什么是机器学习

机器学习旨在构建能够适应环境并从经验中学习的系统。近年来，多个研究领域聚焦于监督学习、半监督学习、无监督学习和强化学习等问题。

1.2 机器学习应用示例

• 学习关联 ：通过分析数据中的关联来发现规律。
• 分类 ：将数据实例分配到不同的类别中。例如，判断一封邮件是否为垃圾邮件。
• 回归 ：预测连续值，如房价预测。
• 无监督学习 ：在无标签数据中发现结构，如聚类分析。
• 强化学习 ：智能体通过与环境交互并根据奖励信号学习最优策略。

以下是一个简单的分类示例表格：
| 应用场景 | 分类类型 |
| ---- | ---- |
| 邮件处理 | 垃圾邮件/正常邮件 |
| 图像识别 | 猫/狗/其他 |

2. 监督学习

2.1 从示例中学习类别

通过给定的训练数据集，学习一个类别模型。例如，根据汽车的特征判断其是否为家庭轿车。

2.2 Vapnik - Chervonenkis (VC) 维度

衡量一个假设类的表达能力，例如轴对齐矩形可以打散四个点。

2.3 可能近似正确 (PAC) 学习