机器学习可以解决哪些类型的任务？

机器学习可以让我们解决一些人为设计和实现固定程序很难解决的问题。从科学和哲学的角度来看，机器学习受到关注是因为发展我们对机器学习的认识需要发展我们对智能背后原理的理解。


如果考虑“任务”比较正式的定义，那么学习的过程并不是任务。学习是我们所谓的获取完成任务的能力。例如，我们的目标是会行走的机器人，那么行走便是任务。我们可以编程让机器人学会如何行走，或者可以编写特定的指令，人工指导机器人如何行走。


通常机器学习任务定义为机器学习系统该如何处理样本(example)。样本是指我们从某些希望机器学习系统处理的对象或事件中收集到的已经量化的特征(feature)的集合。我们通常会将样本表示成一个向量x∈Rn其中向量的每一个元素xi 是一个特征。例如，一张图片的特征通常是指这张图片的像素。


机器学习可以解决很多类型的任务。一些非常常见的机器学习任务列举如下：


分类：在这类任务中，计算机程序需要指定某些输入属于K类中的哪一类。为了完成这个任务，学习算法通常会返回一个函数。当y = f(x) 时，模型为向量x 所代表的输入指定数字码y 所代表的类别。还有一些其他的分类问题，例如，f 输出的是不同类别的概率分布。分类任务中有一类是对象识别，输入是图片（通常用一组像素亮度值表示），输出是表示图片物体的数字码。例如Willow Garage PR2 机器人像服务员一样识别不同饮料，并送给点餐的顾客。目前，最好的对象识别工作正是基于深度学习。对象识别同时也是计算机识别人脸的基本技术，可用于标记相片集中的人脸，有助于计算机更自然地和用户交互。


输入缺失分类：当输入向量的每个度量不被保证的时候，分类问题将会更有挑战。为了解决分类任务，学习算法只需要定义一