机器学习概述

机器学习是现代人工智能的核心,深度学习作为机器学习的一种方法,使得人工智能取得了突破性的进展。

机器学习分类

机器学习可以大致分为三种:监督学习,非监督学习和强化学习。

  • 监督学习:从标记的训练数据来推断一个功能的机器学习任务。利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程。
  • 非监督学习:在未加标签的数据中,试图找到隐藏的结构。因为提供给学习者的实例是未标记的,因此没有错误信号来评估潜在的解决方案。
  • 强化学习;智能体以“试错”的方式进行学习,通过与环境进行交互获得的奖赏指导行为,目标是使智能体获得最大的奖赏。

机器学习任务

下面我们以监督学习为例,看看一个机器学习任务到底是要做什么。

机器学习的任务可以简单理解为总结经验,发现规律,掌握规则,预测未来。

对于人类来说,我们可以通过历史经验,学习到一个规律。如果有新的问题出现,我们使用习得的历史经验,来预测未来未知的事情

对于机器学习系统来说,它可以通过历史数据,学习到一个模型。如果有新的问题出现,它使用习得的模型,来预测未来新的输入

熟悉了机器学习的基本概念,我们应该发现,它的核心问题是模型怎么来的?更具体的问就是,模型的参数怎么优化的。

我们可以找一个模型的评分标准,然后最大化或者最小化这个分数。现在问题又转变为,这个评价标准是什么?怎么优化?这个评价标准就是损失函数。我们将这个损失函数的值不断降低,就是将模型的参数不断优化。

反馈问题

文档有问题? 或者有其他意见和建议? 请在本文档的 Github 仓库直接反馈

点我反馈

进入反馈页面不知道如何反馈, 请点击这里