🌊 作者主頁：海擁
🌊 作者簡介：🏆CSDN全棧領域優(yōu)質創(chuàng)作者、🥇HDZ核心組成員、🥈蟬聯(lián)C站周榜前十
🌊 粉絲福利：👉 粉絲群 👈每周送四本書，每月送各種小禮品(搪瓷杯、抱枕、鼠標墊、馬克杯等)

去評論區(qū)領書

機器學習一詞由美國計算機游戲和人工智能領域的先驅亞瑟·塞繆爾 (Arthur Samuel) 于 1959 年創(chuàng)造，并表示“它賦予計算機無需明確編程的學習能力”。
1997 年，湯姆·米切爾 (Tom Mitchell) 給出了一個“適定”的數(shù)學和關系定義，

“如果計算機程序在 T 上的性能（由 P 衡量）隨著經(jīng)驗 E 提高，則稱該計算機程序從經(jīng)驗 E 中學習關于某些任務 T 和某些性能度量 P?！?/p>

機器學習是近年來的流行語。因為它是計算機科學中最有趣的子領域之一。那么機器學習的真正含義是什么？

讓我們嘗試用外行的術語來理解機器學習。想一想你正試圖將一團紙扔進垃圾箱。 在第一次嘗試之后，你意識到你用力過猛。第二次嘗試后，您意識到您離目標更近了，但您需要增加投擲角度。這里發(fā)生的事情基本上是在每次投擲之后我們都在學習一些東西并改進最終結果。我們被編程為從我們的經(jīng)驗中學習。

這意味著機器學習所關注的任務提供了一個基本的操作定義，而不是用認知術語來定義該領域。這遵循了艾倫·圖靈在他的論文“計算機與智能”中提出的“機器能思考嗎？”這個問題。被替換為“機器可以做我們（作為思考實體）可以做的事情嗎？”

在數(shù)據(jù)分析領域，機器學習用于設計復雜的模型和算法以進行預測；在商業(yè)用途中，這稱為預測分析。這些分析模型允許研究人員、數(shù)據(jù)科學家、工程師和分析師通過學習數(shù)據(jù)集（輸入）中的歷史關系和趨勢，“產(chǎn)生可靠、可重復的決策和結果”并發(fā)現(xiàn)“隱藏的見解”。

假設您決定查看該假期的優(yōu)惠。您瀏覽旅行社網(wǎng)站并搜索酒店。當您查看特定酒店時，在酒店描述下方有一個標題為“您可能也喜歡這些酒店”的部分。這是機器學習的一個常見用例，稱為“推薦引擎”。同樣，許多數(shù)據(jù)點被用于訓練模型，以根據(jù)他們已經(jīng)了解的大量信息來預測在該部分下向您展示的最佳酒店。

因此，如果您希望您的程序預測，例如，繁忙路口的交通模式（任務 T），您可以通過機器學習算法運行它，并使用有關過去交通模式的數(shù)據(jù)（經(jīng)驗 E），如果它已成功“學習”，然后它將更好地預測未來的流量模式（性能度量 P）。

然而，許多現(xiàn)實世界問題的高度復雜性通常意味著，發(fā)明每次都能完美解決這些問題的專門算法是不切實際的，如果不是不可能的話。機器學習問題的例子包括，“這是癌癥嗎？”，“這些人中誰是彼此的好朋友？”，“這個人會喜歡這部電影嗎？” 此類問題是機器學習的極好目標，事實上，機器學習已被應用于此類問題并取得了巨大成功。

機器學習的分類

機器學習實現(xiàn)分為三大類，具體取決于學習系統(tǒng)可用的學習“信號”或“響應”的性質，如下所示：

監(jiān)督學習： 當算法從示例數(shù)據(jù)和相關的目標響應中學習時，這些目標響應可以由數(shù)值或字符串標簽組成，例如類或標簽，以便以后在新示例中預測正確響應時，屬于監(jiān)督學習的范疇. 這種方法確實類似于人類在教師監(jiān)督下的學習。教師提供好的例子讓學生記住，然后學生從這些具體的例子中推導出一般規(guī)則。

無監(jiān)督學習：而當算法從沒有任何關聯(lián)響應的普通示例中學習時，讓算法自行確定數(shù)據(jù)模式。這種類型的算法傾向于將數(shù)據(jù)重組為其他東西，例如可能代表一個類或一系列新的不相關值的新特征。它們在為人類提供對數(shù)據(jù)含義的洞察以及對監(jiān)督機器學習算法的新有用輸入方面非常有用。

作為一種學習，它類似于人類用來判斷??某些對象或事件是否屬于同一類的方法，例如通過觀察對象之間的相似程度。您在網(wǎng)上找到的一些以營銷自動化形式出現(xiàn)的推薦系統(tǒng)就是基于這種類型的學習。

強化學習： 當您向算法展示缺少標簽的示例時，如無監(jiān)督學習。但是，您可以根據(jù)算法提出的解決方案附帶一個帶有正面或負面反饋的示例，屬于強化學習類別，該類別與算法必須做出決策的應用程序相關（因此產(chǎn)品是規(guī)定性的，而不僅僅是描述性的，如在無監(jiān)督學習中），并且決策承擔后果。在人世間，就像是在試錯中學習。

錯誤可以幫助您學習，因為它們會增加懲罰（成本、時間損失、后悔、痛苦等），告訴您某項行動比其他行動更不可能成功。當計算機學會自己玩電子游戲時，就會出現(xiàn)強化學習的一個有趣例子。

在這種情況下，應用程序通過特定情況的示例展示算法，例如讓游戲玩家在躲避敵人的同時陷入迷宮。該應用程序讓算法知道它采取的行動的結果，并且在嘗試避免它發(fā)現(xiàn)的危險并追求生存的同時進行學習。你可以看看谷歌 DeepMind 公司是如何創(chuàng)建一個強化學習程序來玩舊的 Atari 視頻游戲的。觀看視頻時，請注意該程序最初是如何笨拙和不熟練的，但隨著訓練不斷改進，直到它成為冠軍。

半監(jiān)督學習：給出不完整的訓練信號：訓練集缺少一些（通常是很多）目標輸出。該原理有一個特殊情況，稱為轉導，其中整個問題實例集在學習時都是已知的，只是缺少部分目標。

根據(jù)所需輸出分類

當人們考慮機器學習系統(tǒng)的期望輸出時，就會出現(xiàn)機器學習任務的另一種分類：

1.分類：當輸入被分成兩個或更多類時，學習者必須生成一個模型，將看不見的輸入分配給這些類中的一個或多個（多標簽分類）。這通常以受監(jiān)督的方式解決。垃圾郵件過濾是分類的一個例子，其中輸入是電子郵件（或其他）消息，類別是“垃圾郵件”和“非垃圾郵件”。

2.回歸：這也是一個監(jiān)督問題，輸出是連續(xù)的而不是離散的情況。

3.聚類：當一組輸入被分成組時。與分類不同，這些組是事先不知道的，這使得這通常是一項無監(jiān)督的任務。
當問題無法通過典型方法解決時，機器學習就會出現(xiàn)。

🥇 評論區(qū)抽粉絲送書啦

💌 歡迎大家在評論區(qū)提出意見和建議! (抽兩位幸運兒送書，實物圖如下)💌

《機器學習與深度學習算法基礎》

【內容簡介】

本書從機器學習的概念與基本原理開始，介紹了機器學習及近年來流行的深度學習領域的經(jīng)典模型。閱讀本書可以讓讀者系統(tǒng)地了解機器學習和深度學習領域的基本知識，領會模型算法的思路與策略。
　　本書分為兩篇，共18章。一篇為經(jīng)典機器學習模型，主要介紹常用的機器學習經(jīng)典模型，包括線性回歸、支持向量機模型、邏輯斯蒂回歸、決策樹模型、k近鄰、樸素貝葉斯、線性判別分析和主成分分析、流形學習、聚類算法、稀疏編碼、直推式支持向量機、集成算法。第二篇為深度學習模型與方法，剖析神經(jīng)網(wǎng)絡的基本要素，并介紹常用的深度學習模型，包括感知機、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、生成對抗網(wǎng)絡。
　　本書試圖從初學者的角度對機器學習和深度學習的經(jīng)典算法進行詳細闡述。本書插圖豐富，語言通俗易懂，適合初入機器學習領域的“萌新”，也適合希望將機器學習算法應用到日常工作中的其他專業(yè)從業(yè)者，還可供對人工智能領域感興趣的讀者參考閱讀。

也有不想靠抽，想自己買的同學可以參考下面的鏈接

京東自營購買鏈接：

《機器學習與深度學習算法基礎》- 京東圖書

當當自營購買鏈接：

《機器學習與深度學習算法基礎》- 當當圖書

🌊 面試題庫：Java、Python、前端核心知識點大全和面試真題資料
🌊 辦公用品：精品PPT模板幾千套，簡歷模板一千多套
🌊 學習資料：2300套PHP建站源碼，微信小程序入門資料

如果中獎了聯(lián)系不上則視為放棄，可以從下方公眾號里找到作者的聯(lián)系方式，每周都會送四本書，后面送書力度還會加大，一年送幾百上千本不是問題，關注【海擁】回復【領書】抽獎送一本，群內 每位成員 我都會送一本。回復【資源】可獲取上面的資料👇🏻👇🏻👇🏻