机器学习是什么

机器学习（Machine Learning）是近20多年来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、计算复杂性理论等多门学科。它致力于研究在计算机系统中如何通过计算的手段，利用经验（通常以“数据”的形式存在）来改善系统自身的性能。

机器学习所研究的主要内容，是关于如何在计算机上从数据中产生“模型”（Model）的算法即 “学习算法"（Learning Algorithm）。经验数据通过学习算法可以产生相应的数学模型，当面对新的数据（输入）时，模型会提供给我们相应的标签（即输出）。所以我们可以说机器学习是研究关于 “学习算法” 的专业。

机器学习的主要内容

机器学习主要包括监督学习与无监督学习。监督学习是我们给学习算法一个数据集，这个数据集由“正确答案”组成（即已知的数据对应已知的标签）；无监督学习与监督学习明显不同的是，我们已知的数据集并没有包含“正确”答案（即没有任何的标签）。

常见的机器学习算法

决策树算法、朴素贝叶斯算法、支持向量机算法、随机森林算法、人工神经网络算法、Boosting与Bagging算法、关联规则算法、EM（期望最大化）算法、深度学习等。

总结

虽然现阶段模式识别的常用算法主要集中在深度学习中，但是并不代表机器学习没有其存在的意义，相反机器学习为深度学习提供着大量的理论基础。

✄------------------------------------------------

双一流高校研究生团队创建 ↓

专注于计算机视觉原创并分享相关知识 ☞