机器学习简介与相关资料推荐

2019-06-18 本文已影响0人超凡类平凡

人工智能背景与历史发展进程

逻辑学派时期。基于逻辑学规则的

知识学派时期。基于知识库的

统计学派时期。基于数据统计学的

深度学习时期。基于深度神经网络的万能函数拟合器的黑箱模型

机器学习概论

机器学习定义。Mitchell在1997年对机器学习的定义，假设用P来评估计算机程序在某任务类T上的性能，若一个程序通过利用经验E在T中任务上获得了性能改善，则我们就说关于T和P，该程序对E进行了学习。

机器学习根据训练数据集有无标签数据，可严格分为监督学习和无监督学习，宽松分还有半监督学习。

监督学习是具有标签数据训练集的机器学习，利用一组带有标签的训练集，学习从输入到输出的映射，然后将这种映射关系应用到相同分布的未知数据上，从而达到分类或回归的目的。监督学习的任务根据输出分布的类型，可分为分类任务和回归任务，分类任务的输出的是连续分布，即连续分布的输出空间；而回归任务的输出的离散分布，即离散分布的输出空间。分类学习有k近邻分类器、朴素贝叶斯、决策树、随机森林、神经网络等；分类任务的应用场景包括邮件过滤、金融贷款、医疗诊断、网页内容分类等。回归学习有线性回归、多项式回归、岭回归等；回归任务的应用场景包括股票趋势预测、物价水平预测、天气温度预测等。

无监督学习是不具有标签数据训练集的机器学习，利用无标签的训练集学习数据的分布或数据与数据之间的关系。

半监督学习是具有部分标签数据训练集的机器学习，可根据标签数据集的比例，可分为弱监督学习和强监督学习。

强化学习。

演化学习。

自动机器学习。。AutoML、神经网络架构搜索（自动深度学习）

迁移学习。