机器学习绪论

这是一篇关于机器学习绪论的思维导图

机器学习绪论

• 定义
  • 机器学习赋予计算机学习（让计算机自己总结规律）的能力，且不是通过显著式编程获得的（机器背不了知识点，只能自己归纳总结）
  • 机器学习的优势：用非显著式编程可以让机器自行获得经验完成任务，不被人类的经验所束缚，达到最优化
• 基本术语
  • 训练集、测试集、学习器、假设、真相、泛化能力。。。
• 分类
  • 监督学习
    • 1、是否有数据标签
      • all：传统的监督学习
        • 支持向量机
        • 人工神经网络
        • 深度神经网络
      • none：非监督学习
        • 聚类
      • 半监督学习
        • 现实大量使用
    • 2、标签是否连续
      • yes：回归
      • no：分类
  • 无监督学习
    • 人脸识别
  • 二者混合
    • alphago
• 目的
  • 使学到的模型很好的运用于新样本
• 归纳偏好
  • 定义：机器学习算法在学习中对某种类型假设的偏好
  • 确定原则：简单原则 也要与问题本身相匹配
  • NFL定理：在所有问题出现的几率相等且同等重要的条件下总误差与学习算法无关（推导过程中假设了f是符合均匀分布的函数）
    • 算法结合问题，空谈算法无意义
• 设计机器学习算法
  • 假设
    • 在特征空间上距离接近的样本，他们属于同一个类别的概率越高
  • 重点
    • 如何基于特征构建算法
• 发展历程
  • 达特茅斯学院五位大家
  • 2006年卡耐基梅隆大学宣告成立第一个“机器学习系”