---
title: Machine Learning
localeTitle: 机器学习
---
## 机器学习

人工智能的先驱亚瑟·塞缪尔（Arthur Samuel）在1959年将机器学习定义为“研究领域，使计算机无需明确编程即可学习。”

CMU的Tom Mitchell教授提供了一个更正式的机器学习定义：

> “据说计算机程序可以从经验E中学习某些任务T和绩效测量P，如果它在T中的任务中的表现，由P测量，随着经验E而提高。”

考虑下棋的机器学习算法的例子。在这个例子中， `E`指的是下棋的经验， `T`是下棋的任务， `P`表示程序将赢得下一场国际象棋的概率。

机器学习与人类学习方式完全一样。例如，如果一个人想要学习如何玩扑克，它将首先学习规则。然后它将尝试通过玩游戏获得经验。这种体验只不过是一台机器的庞大数据集，通过它可以做出明智的决策来解决所提出的问题。

通常，机器学习问题可以分为监督学习和无监督学习。在监督学习中，您有输入和标记输出，并且您怀疑输入和标记输出之间存在关系。当您既不知道标记输出是什么，也不知道关系存在时，无监督学习将帮助您找到数据中的结构（如果有）。

我们已经涵盖了机器学习的两个主要类别，但机器学习有四大类：

1.  监督学习
2.  无人监督的学习
3.  半监督学习
4.  强化学习

### 监督学习

监督学习是从监督训练数据推断功能的机器学习任务。培训 数据由一组训练样例组成。在监督学习中，每个示例都是由输入对象组成的对 （通常是矢量）和期望的输出值（也称为监控信号）。此外，监督学习可以作为2范式，分类和回归。

#### 监督学习的基本流程图/步骤

1.  收集训练集。
2.  将训练集划分为输入对象（要素）和输出对象（类或值）
3.  决定您将应用，回归或分类器
4.  决定你将应用哪种算法，SVM，深网等
5.  在训练集上运行算法并使用该模型进行预测

#### 课程：

1.  [机器学习简介](https://www.udacity.com/course/intro-to-machine-learning--ud120?autoenroll=true)
2.  [机器学习 - 教授：Andrew Ng](https://www.coursera.org/learn/machine-learning)
3.  [使用Python进行数据科学和机器学习 - 动手实践！](https://www.udemy.com/data-science-and-machine-learning-with-python-hands-on/)
4.  [机器学习](http://ciml.info/)
5.  [分析边缘 - 教授：麻省理工学院](https://www.edx.org/course/the-analytics-edge)

#### 视频资源：

1.  [Siraj Raval的Youtube频道](https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A)
2.  [Sentdex的Youtube频道](https://www.youtube.com/channel/UCfzlCWGWYyIQ0aLC5w48gBQ)

#### 更多信息：

1.  [维基百科上的机器学习](https://en.wikipedia.org/wiki/Machine_learning)
2.  [机器学习揭秘：Youtube](https://www.youtube.com/watch?v=83uAOzhzs-U)
3.  如果您想要简要介绍机器学习，并且您更喜欢视频，请尝试使用此[机器学习介绍视频](https://youtu.be/cKxRvEZd3Mw)
4.  如果您想知道如何继续学习机器学习，请看一下这个[视频](https://youtu.be/nKW8Ndu7Mjw)

## 实验室

[使用Azure Machine Learning Studio构建智能应用程序](https://github.com/Microsoft/computerscience/blob/master/Labs/AI%20and%20Machine%20Learning/Azure%20Machine%20Learning/Azure%20Machine%20Learning%20(Node).md)