机器学习的定义和分类 / 机器学习 #1

当AI如火如荼时，也是时候补补课啰！什么机器学习，什么深度学习，神经网络...... 也都得搞搞明白。虽然学习新东西尤其是这种完全陌生的学科会让人头晕，但是一定的前瞻性和坚持是必要的。再怎样，也得紧跟时代嘛！

先厘清几个基本问题：什么是机器学习，它的分类是什么

机器学习（ML）是人工智能（AI）的一个分支，它使计算机系统能够从数据中自动学习和改进，而无需进行显式编程。通过使用算法来解析数据、学习数据的模式，并做出决策，机器学习系统可以随着时间的推移和数据的积累而逐渐提高其性能。这里的“非显式编程”是理解的关键词，如果是“显式编程”那就是程序员了。“非显式编程”是指计算机能够从训练数据中“自学习”并随着时间的推移而改进，而无需进行显式编程。

机器学习主要分为三种类型：

监督学习（Supervised Learning）：这是最常见的机器学习类型。在监督学习中，算法从标记的训练数据中学习，每个训练样本都有一个与之相关的输出标签。算法进行预测，并随着时间的推移调整其参数，以最小化预测值和实际值之间的差异。监督学习的例子包括回归和分类问题。
无监督学习（Unsupervised Learning）：在无监督学习中，算法被用来分析未标记的数据。由于数据没有标签，因此算法试图自行理解数据的结构，通过识别其中的模式，如将数据分组成不同的类别（聚类）或减少数据的维度（降维）。
强化学习（Reinforcement Learning）：强化学习是一种与众不同的学习方式，它通过奖励和惩罚机制来训练算法（称为智能体）在给定环境中执行特定任务。智能体通过尝试和错误来学习最佳行动策略，以最大化其长期获得的奖励。

机器学习的应用非常广泛，包括但不限于语音识别、图像识别、医疗诊断、股票市场交易、自动驾驶汽车等领域。随着数据量的增加和计算能力的提高，机器学习的能力和应用范围预计将继续扩大。

B站有大量的教学视频可以参考，书本的话则推荐周志华的《机器学习》，祝好运！