1.1、机器学习的定义及分类

机器学习的定义

1、机器学习是这样的领域，它赋予计算机学习的能力，（这种学习能力）不是通过显著式编程获得的。

显著式编程需要提前告知计算机的一些规律，比如菊花是黄的，玫瑰是红的，以让其区分开。输入和输出固定了，如果问题过于复杂，输入会非常多，如机器人倒咖啡，要把机器人环境调查的一清二楚。

机器学习是给出大量数据，让其自己总结规律，事先不约束计算机总结出什么规律，让计算机自己挑出最能区分菊花和玫瑰（或其他事物）的一些规律。这种让计算机自己总结规律的编程方法叫做非显著式编程。计算机自由行为，并规定环境下的行为收益函数，让其自己寻找最大化收益函数的行为

2、一个计算机程序被称为可以学习，是指它能够针对某一个任务T和某个性能指标P，从经验E中学习。这种学习的特点是，它在T上的被P所衡量的性能，会随着经验E的增加而提高。

任务T：编写计算机程序识别菊花和玫瑰
经验E：一大堆菊花玫瑰的图片（训练样本）
性能指标P：不同机器学习算法会有不同，这里花的识别率作为性能指标。

根据经验E提高性能指标P的过程是典型的最优化问题，数学最优化理论均适用。

机器学习的分类

机器学习分类

教计算机下棋（经验E由计算机与环境互动获得的）
垃圾邮件识别 （经验E由人收集并输入计算机）
人脸识别（经验E由人收集并输入计算机）
无人驾驶（经验E由计算机与环境互动获得的）

1、监督学习

• 把告诉计算机训练样本是什么的过程叫为训练数据打标签，如这个邮件是垃圾邮件，这张照片是张三。
• 经验E=训练样本和标签的集合
• 输入计算机训练数据同时加上标签的机器学习称为监督学习

传统监督学习：每一个训练数据都有对应的标签
非监督学习：所有监督数据都没有对应的标签
半监督学习：训练数据中一部分有标签，一部分没标签

2、强化学习

• 计算机产生行为，定义这些行为的收益函数，如到达目的地奖励，出事故惩罚，以及设计算法让计算机改变自己的行为模式去最大化收益函数，这一类机器学习叫强化学习，即计算机与环境互动强化自己的行为模式。

机器学习的两种算法（监督学习和强化学习）也常一起使用，如ALPHAGO前期使用监督学习，后期使用强化学习。

课程主要内容是用机器学习模型解决分类问题。