什么是机器学习，机器学习简介

提到机器学习，追根溯源，我们需要先知道什么是“学习”。

著名学者、1975 年图灵奖获得者、1978 年诺贝尔经济学奖获得者，赫伯特·西蒙（Herbert Simon）教授曾对“学习”下过一个定义：如果一个系统，能够通过执行某个过程，就此改进它的性能，那么这个过程就是学习。

在西蒙看来，学习的核心目的就是改善性能。其实对于人而言，这个定义也是适用的。如果我们仅仅进行低层次的重复性学习，而没有达到认知升级的目的，那么即使表面看起来非常勤奋，其实也仅仅是一个“伪学习者”，因为我们的性能并没有得到改善。

西蒙认为，对于计算机系统而言，通过运用数据及某种特定的方法（比如统计方法或推理方法）来提升机器系统的性能，就是机器学习（Machine Learning，简称 ML）。

英雄所见略同。在经典教材《机器学习》中，著名学者、卡耐基梅隆大学教授，汤姆·米切尔（Tom Mitchell）也给“机器学习”下了更为具体（其实也很抽象）的定义：对于某类任务（Task，简称 T）和某项性能评价准则（Performance，简称 P），如果一个计算机程序在 T 上，以 P 作为性能的度量，随着经验（Experience，简称 E）的积累，不断自我完善，那么我们称这个计算机程序从 E 中进行了学习。

比如，学习围棋的程序 AlphaGo，它可以通过和自己下棋获取经验，那么，它的任务 T 就是“参与围棋对弈”，它的性能 P 就是用“赢得比赛的概率”来度量的。类似地，学生的任务 T 就是“上课、看书、写作业”，他们的性能 P 就用“考试成绩”来度量。

米切尔认为，对于一个学习问题，我们需要明确三个特征：任务的类型、衡量任务性能提升的标准，以及获取经验的来源。

事实上，看待问题的角度不同，对机器学习的定义也略有不同。

比如，支持向量机（SVM）的主要提出者弗拉基米尔·万普尼克（Vladimir Vapnik），在其著作《统计学习理论的本质》中就提出：机器学习就是一个基于经验数据的函数估计问题。而另一本由斯坦福大学统计系的特雷弗·哈斯蒂（Trevor Hastie）等人编写的经典著作《统计学习基础》中则提到，机器学习就是抽取重要的模式和趋势，理解数据的内涵表达，即从数据中学习。

粉丝福利腾讯文档-在线PDFhttps://docs.qq.com/pdf/DR1doYmNBYUZ3RVNX

这三个有关机器学习的定义，各有侧重，各有千秋。米切尔的定义强调学习的效果；万普尼克的定义侧重机器学习的可操作性；而哈斯蒂等人的定义则突出了学习任务的分类。但三者共同的特点在于，都强调了经验和数据的重要性，都认可机器学习提供了从数据中提取知识的方法。