五分鐘明白Machine Learning是什麼

來自專欄小菜鳥學習筆記

Machine Learning是一門無需明確編程就能讓計算機行動的科學。在過去的十年里，機器學習給我們帶來了自動駕駛汽車，實用的語音識別，有效的網路搜索，以及對人類基因組的巨大了解。機器學習在今天是如此普遍，以至於你可能在不知情的情況下一天使用它幾十次.

Machine Learning 基本概念

1. Machine Learning和Traditional Programming區別

1. Traditional Programming: 在計算機上運行數據和程序來產生輸出。

2. Machine Learning:在計算機上運行數據和輸出來創建一個程序。該程序可用於傳統程序設計。

2. Machine Learning的關鍵要素

如今有數萬種Machine Learning演算法，同時每年還有數百種新的演算法開發出來。

每一種Macine Learning演算法都是由三部分組成。

1. Representation(表示): 如何表示知識。
1. 包括決策樹(Decision Trees)
2. 規則集(Sets of Rules)、實例(Instances)
3. 圖形模型(Graphical Models)
4. 神經網路(Neural Networks)
5. 支持向量機(Support Vector Machines)
6. 模型集合(Model ensembles)等
2. Evaluation(評估): 評估候選方案(假設)的方法。
1. 準確性(accuracy)
2. 預測和回憶(prediction and recall)
3. 平方誤差(squared error)
4. 似然(likelihood)
5. 後驗概率(posterior probability)
6. 成本(cost)
7. 邊際(margin)
8. 熵k-L散度(entropy k-L divergence)

3. Optimization(優化): 候選程序的生成方式稱為搜索過程。
1. 組合優化(combinatorial optimization)
2. 凸優化(convex optimization)
3. 約束優化(constrained optimization)

3. Machine Learning類型

Machine Learning有四種類型()

1.監督學習(Supervised learning)

2.非監督學習(Unsupervised learning)

3.理論學習(Learning Theory, Semi-supervised learning) 4.強化學習(Reinforcement learning)

由於給學習演算法的例子沒有明確分類，因此沒有直接的方法將無監督學習與監督學習和強化學習區別開來的一個特性。

掃描二維碼，關注公眾號。