从零开始的机器学习-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_21567291/article/details/142145976

从零开始的机器学习（1）

第一章机器学习概览

文章目录

从零开始的机器学习（1）
前言
一、机器学习的分类？
二、机器学习的发展？
三、参考文献及链接

前言

工欲善其事必先利其器，机器学习对于本人的研究方向存在重要意义，这篇博客旨在记录本人机器学习过程中总结的知识点和遇到的问题，目前暂定的学习计划是从吴恩达的深度学习教程开始，了解最基本的学习算法，再深入学习周志华老师的西瓜书，以期达到总览机器地图，能够灵活的使用工具的目的，欢迎一起学习的小伙伴加入博客的讨论。

一、机器学习的分类？

‌机器学习主要可以分为监督学习、无监督学习、半监督学习、强化学习和深度学习。‌‌

‌监督学习‌：在这种学习方法中，输入数据带有标签，模型通过学习输入和输出之间的映射关系，对新的数据进行预测。常见的监督学习算法包括线性回归、逻辑回归、支持向量机、决策树、随机森林、梯度提升树等。这些算法广泛应用于分类和回归任务中，旨在通过已知的输入输出对来训练模型，使其能够对新的输入数据进行准确的预测。

‌无监督学习‌：在无监督学习中，输入数据没有标签，模型通过发现数据中的结构、分布或模式来学习。常见的无监督学习算法包括聚类（如K-means、层次聚类）、降维（如主成分分析PCA）、关联规则学习（如Apriori算法）等。这些方法主要用于探索数据的内在结构和关系，而不是进行预测。

‌半监督学习‌：这种学习方法结合了监督学习和无监督学习的特点，输入数据部分有标签，部分没有标签，模型通过同时利用有标签和无标签的数据进行学习。半监督学习可以降低标注数据的成本，提高模型的泛化能力，适用于那些标注数据稀缺但未标注数据丰富的场景。

‌强化学习‌：强化学习模型通过与环境的交互来学习，目的是最大化累积奖励。这种方法通常用于解决决策问题，如游戏、自动驾驶等。常见的强化学习算法包括Q学习、深度Q网络（DQN）、策略梯度方法等。强化学习强调智能体在环境中的行为选择，通过试错和奖励机制来优化行为策略。

‌深度学习‌：深度学习利用深层神经网络模型学习数据的层次化表示。它可以用于监督学习、无监督学习、半监督学习和强化学习等多种场景。常见的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）等。深度学习在图像识别、语音识别、自然语言处理等领域取得了显著的成功，展现了强大的学习和泛化能力。

综上所述，机器学习的分类不仅涵盖了从简单到复杂的多种学习方法，而且每种方法都有其特定的应用场景和优势，使得机器学习成为解决各种复杂问题的强大工具。

二、机器学习的发展？

艾伦·麦席森·图灵发表于1950年的一篇论文《计算机器与智能》。该测试的流程是，一名测试者写下自己的问题，随后将问题以纯文本的形式（如计算机屏幕和键盘）发送给另一个房间中的一个人与一台机器。测试者根据他们的回答来判断哪一个是真人，哪一个是机器。所有参与测试的人或机器都会被分开。这个测试旨在探究机器能否模拟出与人类相似或无法区分的智能。简单来说就是测试人们能否区别的出机器是否可以真正模拟人类的行为。

现在的图灵测试测试时长通常为5分钟，如果电脑能回答由人类测试者提出的一系列问题，且其超过30%的回答让测试者误认为是人类所答，则电脑通过测试。

机器学习的发展离不开离不开数学的发展。近代的人工智能起源于几个世纪以来人们对于数学的“通用化语言”做出的探索。20多岁的德国数学家、逻辑学家弗雷格发明了现代逻辑系统，这套被称为“谓词逻辑”的系统是当代基础数学、计算机科学、人工智能科学的最基本的语言。几十年后，罗素和怀特海所著的《数学原理》已经将几乎所有的数学体系统一到一个“谓词逻辑”系统中了。整本书浸透了一种强烈依赖逻辑，而不依赖直觉的思维模式。这种思维模式在后世遭到了批判，比如说“1+1=2”这种生活中近乎直觉的思维结果，在《数学原理》中用了几十页才证毕。20世纪二三十年代，一些数学家试图利用机器来证明数学定理，为这一思想提供理论指导的是重要的是Church消解定理，为Lambda演算提供了一种形式化的保证，确保了计算的正确性和可靠性。关于何为Lambda演算的算法可以参照python中的匿名函数lambda函数，类似一种声明变量的计算式。由此人工智能的发展进入了所谓的“推理期”，由赫伯特.西蒙(H.M)与艾伦·纽厄尔(A.N)共同开发的“通用问题求解器”（General Problem Solving）等程序，在机器的逻辑推理能力方面取得了巨大的进步。

E.A.Feigenbaum等人认为要让机器拥有智能，于是从二十世纪中期开始，人工智能的研究进入了“知识期”，就是人把知识总结出来再交给机器。后来人们以不同的思想切入人工智能领域，基于神经网络的“连接主义”，基于逻辑的“符号主义”，基于大量数据的“统计学习主义”。