学习笔记整理如下：

一、机器学习定义：

广义概念：机器学习是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法。

实践概念：机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。

对比人类行为，人类在成长、生活中积累了很多历史经验，对此进行归纳，从而得到生活的规律。当遇到未知问题时，以此规律进行“推测”，这个与机器学习的过程是类似的。

对比传统编程技术，机器学习的方法在长期来看，可通过数据的积累进行自我优化与提升，形成良性循环。

二、机器学习的范围

机器学习并非单一领域技术。通过与其他领域的技术的结合，形成了计算机视觉、语音识别、自然语言处理等交叉学科、因此机器学习是通用的，不仅仅局限于特定应用。

直接上导图笔记啦

三、机器学习经典算法

上文中已经提到，与传统算法不同，机器学习的方式，人并不直接编写处理问题的算法模型，而是提供给计算机足量的训练样本，由机器根据输入与输出的对应关系抽象出问题处理的模型。

实践中，技术人员需要根据训练样本以及所需解决的问题，选择恰当的机器学习算法，建立恰当的模型，以得到最好的预测效果。

以下介绍常见的算法：偷懒继续直接上图

根据学习方式的不同，机器学习算法通常可以被分为四类：监督学习、无监督学习、强化学习和迁移学习。

1、监督学习

2、无监督学习

3、强化学习

4、迁移学习

四、机器学习的子类——深度学习

机器学习的本质在于寻找最优模型，深度学习是机器学习的一个重要分支，深度学习的概念源起于对人工神经网络的研究，其基本学习模型是深度神经网络。

在传统机器学习算法中，存在一个重要概念，即：特征。特征工程要求技术人员利用人类的领域知识对原始数据进行处理，抽象出特征之后才能将其作为算法模型的输入。但特征的提炼存在难度，且一些特征难以具象。

深度学习与机器学习的一个重要区别就在于，原始数据可以直接作为深度神经网络模型的输入，不再需要利用人工方式进行特征的提炼。

人工智能、机器学习、深度学习的关系

多隐层的神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；

深度神经网络在训练上的难度，可以通过“逐层初始化” 来有效克服。

五、机器学习的应用——大数据

>> 从2010年以后，随着大数据概念的兴起，机器学习大量的应用都与大数据高度耦合，几乎可以认为大数据是机器学习应用的最佳场景。

>> 成功的机器学习应用不是拥有最好的算法，而是拥有最多的数据