本文概述了机器学习的概念，强调其在概率论、统计学等领域的交叉性。机器学习广泛应用于游戏、语音识别等领域，并与人工智能、数据挖掘、计算机视觉和统计学有密切关系。深度学习作为机器学习的一个分支，显著提升了模型的复杂度和精度。大数据机器学习的特点包括数据量的增长、神经网络规模扩大及深度学习框架的发展，如TensorFlow和PyTorch。文章还提及了机器学习与统计学的差异，并推荐了相关教材。
一、什么是机器学习？
机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸
分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以
自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对
未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计
推断学联系尤为密切，也被称为统计学习理论。
二、机器学习应用场景举例
1.Game
2.Text to speech and speech recognition
3.3D 体感游戏
4.Bioinformatics（生物信息学）
5.Quantita
最低0.47元/天 解锁文章
扫一扫
5008
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
