机器学习的定义.docx

机器学习的定义
从广义上来说，机器学习是一种能够赋予机器学习的能力以此让它完成直接编程 无法完成
的功能的方法。但从实践的意义上来说， 机器学习是一种通过利用数据， 训练出模型，
然后使用模型预测的一种方法。
机器学习的范围 其实，机器学习跟模式识别，统计学习，数据挖掘，计算机视觉，语音识别，自然语言处理
等领域有着很深的联系。
从范围上来说，机器学习跟模式识别，统计学习，数据挖掘是类似的，同时，机器学习与其 他领域的处理技
术的结合， 形成了计算机视觉、 语音识别、 自然语言处理等交叉学科。 因此， 一般说数据挖掘时， 可以
等同于说机器学常所说的机器学习应用，应该是 通用的，不仅仅 模式识别
模式识别 =机器学习。两者的主要区别在于前者是从工业界发展起来的概念，后 者则主要
源自计算机学科。在著名的《 Pattern Recognition And Machine
Learning 》这本书中， Christopher M. Bishop 在开头是这样说的“模式识别源自工
业界，而机器学习来自于计算机学科。 不过，它们中的活动可以被视为同一个领 域的两
个方面，同时在过去的 10 年间，它们都有了长足的发展”。
数据挖掘
数据挖掘 =机器学习 +数据库。这几年数据挖掘的概念实在是太耳熟能详。几乎 等同于炒
作。但凡说数据挖掘都会吹嘘数据挖掘如何如何， 例如从数据中挖出金 子，以及将废弃
的数据转化为价值等等。但是，我尽管可能会挖出金子，但我也 可能挖的是“石头”啊。
这个说法的意思是，数据挖掘仅仅是一种思考方式，告诉 我们应该尝试从数据中挖掘出知
识， 但不是每个数据都能挖掘出金子的， 所以不 要神话它。一个系统绝对不会因为上了
一个数据挖掘模块就变得无所不能 （ 这是
旧M最喜欢吹嘘的），恰恰相反，一个拥有数据挖掘思维的人员才是关键，而且 他还必须
对数据有深刻的认识，这样才可能从数据中导出模式指引业务的改善。
大部分数据挖掘中的算法是机器学习的算法在数据库中的优化。
统计学习
统计学习近似等于机器学习。统计学习是个与机器学习高度重叠的学科。 因为机 器学习
中的大多数方法来自统计学，甚至可以认为，统计学的发展促进机器学习 的繁荣昌盛。例
如著名的支持向量机算法，就是源自统计学科。但是在某种程度 上两者是有分别的，这个
分别在于：统计学习者重点关注的是统计模型的发展与 优化，偏数学，而机器学习者更关
注的是能够解决问题，偏实践，因此机器学习 研究者会重点研究学习算法在计算机上执行
的效率与准确性的提升。
计算机视觉
计算机视觉 =图像处理 +机器学习。图像处理技术用于将图像处理为适合进入机 器学习模型
中的输入，机器学习则负责从图像中识别出相关的模式。计算机视觉 相关的应用非常的
多，例如百度识图、手写字符识别、车牌识别等等应用。这个 领域是应用前景非常火热
的，同时也是研究的热门方向。随着机器学习的新领域 深度学习的发展，大大促进了计算
机图像识别的效果，因此未来计算机视觉界的 发展前景不可估量。
语音识别
语音识别 =语音处理 +机器学习。语音识别就是音频处理技术与机器学习的结合。 语音识别
技术一般不会单独使用，一般会结合自然语言处理的相关技术。目前的 相关应用有苹果的
语音助手 siri 等。
自然语言处理 自然语言处理 =文本处理 +机器学习。自然语言处理技术主要是让机器理解人
类 的语言的一门领域。在自然语言处理技术中，大量使用了编译原理相关的技术， 例如
词法分析，语法分析等等，除此之外，在理解这个层面，则使用了语义理解， 机器学习等
技术。作为唯一由人类自身创造的符号，自然语言处理一直是机器学 习界不断研究的方
向。按照百度机器学习专家余凯的说法“听与看，说白了就是 阿猫和阿狗都会的，而只有
语言才是人类独有的”。如何利用机器学习技术进行 自然语言的的深度理解，一直是工业
和学术界关注的焦点。
能领域的
可以看出机器学习在众多领域的外延和应用。机器学习技术的发展促使了很多智 进步，改善着我们的生活。
局限在结构化数据，还有图像，音频等应用。
机器学习的方法
1、回归算法
在大部分机器学习课程中，回归算法都是介绍的第一个算法。原因有两个：一 ? 回归算法
比较简单，介绍它可以让人平滑地从统计学迁移到机器学习中。二 . 回 归算法是后面若干
强大算法的基石， 如果不理解回归算法，无法学习那些强大的 算法。回归算法有两个重
要的子类：即线性回归和逻辑回归。
线性回归就是我们前面说过的房价求解问题。如何拟合出一条直线最佳匹配我所 有的数
据？一般使用“最小二乘法”来求解。“