机器学习

• 定义
• 分类
• 算法
• 参考文献
  • 引用
  • 来源
• 外部链接
• 参见

机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析（英语：Convex analysis）、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。

机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。

定义

机器学习有下面几种定义：

• 机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。
• 机器学习是对能通过经验自动改进的计算机算法的研究。
• 机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。

一种经常引用的英文定义是：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

分类

机器学习可以分成下面几种类别：

• 监督学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。

监督学习和非监督学习的差别就是训练集目标是否人标注。他们都有训练集 且都有输入和输出

• 无监督学习与监督学习相比，训练集没有人为标注的结果。常见的无监督学习算法有生成对抗网络（GAN）、聚类。
• 半监督学习介于监督学习与无监督学习之间。
• 增强学习机器为了达成目标，随着环境的变动，而逐步调整其行为，并评估每一个行动之后所到的回馈是正向的或负向的。

算法

具体的机器学习算法有：

• 构造间隔理论分布：聚类分析和模式识别
  • 人工神经网络
  • 决策树
  • 感知器
  • 支持向量机
  • 集成学习AdaBoost
  • 降维与度量学习
  • 聚类
  • 贝叶斯分类器
• 构造条件概率：回归分析和统计分类
  • 高斯过程回归
  • 线性判别分析
  • 最近邻居法
  • 径向基函数核
• 通过再生模型构造概率密度函数：
  • 最大期望算法
  • 概率图模型：包括贝叶斯网和Markov随机场
  • Generative Topographic Mapping
• 近似推断技术：
  • 马尔可夫链
  • 蒙特卡罗方法
  • 变分法
• 最优化：大多数以上方法，直接或者间接使用最优化算法。

参考文献

引用

林东清. 资讯管理：e化企业的核心竞争能力 七版. 台北市: 智胜文化. 2018年8月: 第118页. ISBN9789864570478 （中文）.

来源

• Bishop, C. M.(1995). 《模式识别神经网络》，牛津大学出版社.ISBN 0-19-853864-2.
• Bishop, C. M.(2006). 《模式识别与机器学习》，Springer.ISBN 978-0-387-31073-2.
• Richard O. Duda, Peter E. Hart, David G. Stork(2001). 《模式分类》（第2版）, New York: Wiley.ISBN 0-471-05669-3.
• MacKay, D. J. C.(2003).《信息理论、推理和学习算法》，剑桥大学出版社.ISBN 0-521-64298-1
• Mitchel.l, T.(1997). 《机器学习》, McGraw Hill.ISBN 0-07-042807-7
• Sholom Weiss, Casimir Kulikowski(1991).Computer Systems That Learn, Morgan Kaufmann.ISBN 1-55860-065-5.

外部链接

• UCI description
• 机器学习软件Weka
• Pablo Castro主页
• 机器学习网邮件列表
• 机器学习和自然语言处理-弗莱堡大学
• 机器学习和数据挖掘，生物信息学小组，慕尼黑工业大学
• 机器学习和生物计算-Bristol大学
• 机器学习和应用统计学@微软研究
• 机器学习研究月刊
• 机器学习期刊
• 机器学习-Kmining，数据挖掘和KDD科学参考
• Book "智能系统社区" by Walter Fritz
• 开放目录项目
• 机器学习论文-CiteSeer
• Orange，使用Python脚本语言的机器学习组件和可视化编程接口

参见

• 计算机科学主题
• 信息技术主题
• 统计学主题

• 人工智能
• 计算智能
• 数据挖掘
• 模式识别
• 机器学习方面重要出版物（计算机科学）
• 机器学习方面重要出版物（统计学）
• 自主控制机器人
• 归纳逻辑编程
• 决策树
• 神经网络
• 强化学习
• 贝叶斯学习
• 最近邻居法
• 计算学习理论
• 深度学习
• 机器学习控制