机器学习综述

机器学习的特点：

1、机器学习系统所解决的都是无法直接使用固定规则或者流程代码完成的问题，通常这类问题对人类而言很简单。例如手机中的计算器不是智能系统，因为里面的计算方法都有清楚而且固定的规程，但是如果要求要求一台计算器去识别一张图片中的人或物体，这对于人类来讲非常容易，然而机器却非常难做到。

2、机器学习的学习能力是指它能够不断地从经历和数据中吸取经验教训，从而应对未来地预测任务。我们习惯把这种能力称之为泛化（generalization）

3、机器学习具备不断改善自身应对具体任务地能力。我们称这种完成任务地能力为性能（Performance）。

机器学习地经典定义美国卡内基梅隆大学Tom Mitchell教授提出来的

 A program can be said to learn from experience E with respect to some class of takes T and per formance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

如果一个程序在使用既有地经验（E）执行某类任务（T）地过程中被认定为是‘具备学习能力的’，那么他需要展现出：利用现有经验（E）,不断改善其完成既定任务（T)的性能（P）的特质。

任务（Task）

机器学习的两类经典任务：监督学习（Supervised Learning）和无监督学习（Unsupervised Learning）。

监督学习关注对事物未知表现的预测，一般包括分类问题（Classification）和回归问题（Regression）.

无监督学习则倾向于对事物本身特性的分析，常用的技术包括数据降维（Dimensionality Reduction）和聚类问题（Clustering）

分类问题是对其所在的类别进行预测。类别既是离散的，同时也是预先知道数量。例如根据一个人的身高、体重和三围等数据，预测性别（男/女）。