Stanford机器学习系列之一：机器学习基本概念

jopen 9年前

机器学习（Arthur Samuel，1959）：在确定编程之外给予计算机学习能力的研究领域。

机器学习（Tom Mitchell，1998）：如果计算机程序对于任务T的性能度量P通过经验E得到了提高，则认为此程序对E进行了学习。

-监督学习：包括回归（连续性问题：预测值或目标变量是连续的）、分类（离散性问题：预测值或目标变量是离散值）。需要训练集，训练集给出自变量和因变量（即标签），通过训练集构造模型；之后，对于新的自变量，采用学习到的模型预测因变量的值。

-学习理论（Learning Theory）：证明机器学习算法的有效性。

-无监督学习（UnSupervised Learning）：无训练集。将所有的数据根据某些属性进行聚类，之后对聚类结果进行分析，获取知识。

-强化学习（Reinforcement Learning）：关键是引入了回报函数（reward function）的概念。通过回报函数不断修正学习算法，以使算法更有效。

参考资料：

[1] Andrew Ng. Stanford CS229. Machine Learning. Stanford University