机器学习是什么
发布网友
发布时间：2022-04-25 00:05
共5个回答
热心网友
时间：2023-02-09 03:15
更加精确的说，机器学习的定义如下：
A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E.
一个（机器学习）的程序就是可以从经验数据E中对任务T进行学习的算法，它在任务T上的性能度量P会随着对于经验数据E的学习而变得更好
由于机器学习必然利用了某些经验，它们常常数据的形式存在，我们称之为数据集，其中的每个数据称为记录。例如我们通过一个人的性别、年龄和身高预测他是否患某种常见疾病，有以下数据：
（性别：男；年龄：18；身高：174；是否得病：否）
（性别：女；年龄：17；身高：164；是否得病：是）
（性别：男；年龄：20；身高：181；是否得病：是）
（性别：女；年龄：16；身高：161；是否得病：是） ……
这可以被称为一个数据集，其中每个人的数据称为记录。在记录中，关于该对象的描述型数据称为属性，由于属性往往有很多个——如上文的年龄，身高等，可以构成属性向量，这些向量张成的空间称为属性空间。而我们的算法需要预测那个量被称为标记（label）——在上文中便是“得病与否”。在有的数据集中存在标记，有的不存在。标记构成的空间称为标记空间，也称为输出空间。
显然，由于我们只能得到整个总体数据的一部分——即训练样本，我们程序得到的模型却不能只适应于这个训练样本，它必须对整个总体数据都有比较好的预测效果。这就是说我们的模型必须具有泛化的能力。
我们训练得到的模型称为一个假设，所有的模型一起构成了假设空间。显然，可能有多种假设空间和训练数据一致——就好像对于一个知识点很少的课堂学习，有不少人能得到很高的分数，但是对于整个总体数据，学习的不同模型显然效果差别很大——真正考验很多难的知识点的考试，考验把上述表面上的学霸分开。
每个假设——也就是训练的模型，必然有其归纳偏好，也就是说，在训练集中没有见过的情况，或者两者皆可的情况，模型会选择哪种。归纳偏好是模型进行泛化的能力基础。
热心网友
时间：2023-02-09 04:33
买芒果嘛，你只要不是重口味或者口味独特，还是选择最甜的，熟透了的芒果。因为你是根据重量来付钱的，又不是根据甜的程度或者熟了的程度，虽然摊主有时候会把好的芒果挑出一堆来单独涨价，但是这里这个摊主没这么做。
奶奶曾经告诉过你，芒果要买金*的，黄橙橙黄灿灿的，这样的最甜，不要买那些浅*的，因为还没熟透。
这样你就有了一点经验，虽然这点经验是别人直接教给我的：“甜芒果，就是金*的”。
生活没那么简单
回家，高高兴兴吃芒果，但是很快你会发现，并不是每个芒果都那么甜，有些不甜。奶奶的经验不是100%正确。只通过颜色判断芒果甜不甜，不是很靠谱。
你回忆后发现“好像是又大又金*的比较甜，那些小点的金*的芒果，得有一半是不甜。”（买了100个金*的芒果，有50个大的，都是甜的；另外有50个小的，其中有25个是不甜的。）
你总结出来一条经验规则了：大的金*的是最甜的。哈哈。你又高高兴兴的去买芒果。Shit，你熟悉的、你信得过的那个摊主走了。所以你得
换一个小摊买芒果了，但是新的摊主的芒果是产自不同的地方，你之前总结的经验可能不行了，你不知道能不能迁移过去（transfer
learning），于是你从头再开始尝试吧，发现这里小的，浅*的是最甜的！
一天，你表妹来找你玩，想吃芒果，但是她不在乎甜不甜，她喜欢吃多汁的。唉，以前的经验又不顶用了。你只能进行新的一轮实验，目标就是多汁的芒果（优化目标变了）。你又总结出，越软的越多汁。
你出国了读PhD，这里的芒果跟你家乡的差不太大了，这里绿色的最好吃。PhD毕业后，你结婚了，老婆不喜欢吃芒果，喜欢吃苹果。你积累的丰富的挑
if (color is bright yellow and size is big and sold by favorite
vendor): mango is sweet.
if (soft): mango is juicy.etc.
但是你想啊，这些规则越来越多的话，特征之间的组合啥的就越来越麻烦了，管理、使用都很麻烦。包括写程序实现啊，谁会笨到写这么多IfThen。机器学习
随机的选择了一个市场上的芒果，作为要研究的目标（training
data）。你可以用一个表格描述芒果属性和类型的关系，每一行可以放一个芒果的数据，包括芒果的物理属性（feature）:颜色、大小、形状、软硬度、产地，等等，还有这么芒果的类型（output
variables）：甜度、成熟度、多汁度。然后这就是一个多分类问题，或者回归问题，自动的从数据中学习出特征与芒果类型的各种关系等。
如果你用决策树算法，那么这个模型的样子就是你的规则库了；当然你可以使用其他模型，例如线性模型，这样就是特征的线性组合了。
甚至你的选择芒果的模型，稍微变化下就可以选择苹果了，迁移学习。
甚至你的模型会随着新的样本、新芒果种类进来后，变的越来越好，增量学习。转自-丕子 原文基础上稍作修改
热心网友
时间：2023-02-09 06:08
您好，我们把讨论的范围限定在最常见的有监督学习的框架内，所谓的机器学习模型，本质上是一个函数，其作用是实现从一个样本 [公式] 到样本的标记值 [公式] 的映射，即 [公式]
当然这样说太笼统了，事实上机器学习模型需要在给定样本集合 [公式] 以及其对应标签 [公式] 的情况下，用假设已知的函数形式 [公式] , 尽可能拟合客观存在的映射函数 [公式] ，并且保证 [公式] 在未知同分布样本上具有尽可能相近的拟合能力
线性模型是最简单的，也是最基本的机器学习模型。其数学形式如下：g(X;W)=WTX。有时，我们还会在WTX的基础上额外加入一个偏置项b，不过只要把X扩展出一维常数分量，就可以把带偏置项的线性函数归并到WTX的形式之中。线性模型非常简单明了，参数的每一维对应了相应特征维度的重要性。但是很显然，线性模型也存在一定的局限性。
希望我的回答对您有所帮助~祝您天天开心快乐~[鲜花]
热心网友
时间：2023-02-09 07:59
通俗理解机器学习：机器从数据中学习，进而得到一个更加符合现实规律的模型，通过对模型的使用使得机器比以往表现的更好。
举个例子：
中学阶段，学生通过做大量的练习题，为的就是在高考解决问题。高考的题目一般来说是之前肯定没有遇到过的（无原题），但是这并不意味着这些题目我们无法解决。通过对之前所做过的练习题的分析，找到解题方法，同样可以解决陌生的题目，这就是人类的学习。机器学习就是模拟人类学习的过程。
机器学习其实就是将这一套方式运用到机器上，利用一些已知的数据（平时的练习题）来训练机器（做，让机器自己分析这些数据，并找到内在联系（学习解题方法），构建模型，从而对未知的数据（高考题）进行预测判定等。
关于机器学习一些算法 可以关注 机器学习学习笔记
热心网友
时间：2023-02-09 10:07
1783年，贝叶斯在发表的同名定理中最早提出了“机器学习”这个概念，即“贝叶斯定理”。该定理是一种从经验中学习的数学方法，根据类似事件的历史数据得出事件的可能性，同时也是机器学习的基本思想。到了2006年深度学习的发展成为机器学习的大突破，深度学习模仿人类大脑的思维过程，一般用于图像和语音识别。如今我们生活中随处可见的很多技术，都离不开深度学习，例如，用户在小红书APP上发布图片，可以标记途中的人物、品牌、产品，或者是人手一台的智能手机，里面的Siri、“小爱同学”等功能，当用户向他们询问“周边有哪些加油站”“上周足球比赛冠军是谁”等问题时，用户的语音将通过复杂的语音解析算法进行分析，这些都是在深度学习的帮助下实现的。
机器学习注重算法的设计，让计算机能够自主从数据中“学习”规律，并利用规律对未知数据进行“预测”，这也是机器学习的核心。“预测”会随着计算机本身的经验而不断改进，人们无需明确的编程计算机来执行任务，而是计算机主动开发算法完成任务。机器视觉、语音识别、数据挖掘、统计学习以及模式识别、自然语言处理等等，都是如今机器学习的应用范围。上海分壳信息技术股份有限公司旗下的核心产品——信贷全流程一体化金融科技平台风信子风控云，通过机器学习的核心引擎，结合大数据采集、分析、拦截、反欺诈等技术，打造一个将数据、模型、规则、流程和机器学习于一体的智能金融云平台。解决了金融机构风控“冷启动”和风险量化的难题。将信贷全流程管控以评分卡的形式量化，完整实现了基于大数据和人工智能的线上智能信贷评估。
如今人们生活中各种各样的应用都离不开机器学习的使用，许多技术资源也都基于人工智能和机器学习，在科学技术日益先进的时代背景下，机器学习正焕发着强大的生命力。
