机器学习、人工智能和神经网络的关系
- 机器学习推动了人工智能的倒退，神经网络则是机器学习的支流算法
何为机器学习
- Samuel 最早定义了机器学习：在进行特定编程的状况下，给予计算机学习能力。例如，Samuel 编写了一个西洋棋程序，计算机在和本人下了上万盘之后，学习到了好的布局和不好的布局，从而在实战中获得了很高的胜率
- Tom Mitchell 给出了机器学习的精确定义：一个程序能从教训 E 中学习，解决工作 T，并达到性能要求 P；而且教训 E 通过性能要求 P 评估后，程序处理工作 T 的性能有所晋升。例如在西洋棋中，教训 E 即计算机和本人对弈上万局取得布局的教训，工作 T 就是实战下棋，性能要求 P 就是实战时的胜率
机器学习算法的分类
- 目前存在许多机器学习的算法，其中次要的是监督学习和无监督学习，其余的强化学习、举荐零碎尽管也都是算法，然而支流还是前两种。
- 监督学习能够了解为教计算机如何实现工作；无监督学习可了解为让计算机本人学习。
- 这里要留神的是，算法尽管重要，但更重要的是算法能利用到哪里。这就像教木匠，教算法就像教工具，通知木匠这是锤子、这是锯子；教怎么用工具才是更重要的
监督学习
- 监督学习，即数据集提供的数据曾经有正确答案，算法基于此进行预测更多的数据。监督学习包含回归问题、分类问题等类型
- 回归问题就是间断值的预测。咱们通过预测房价例子引入，咱们依据数据集作图，横坐标示意面积，纵坐标示意房价；咱们须要用一条直线或者曲线拟合这些点。
在预测房价的例子中，数据集提供的数据曾经有正确答案，算法基于此预测更多房子的正确价格，输入间断值，属于回归问题
- 分类问题是离散值的预测。咱们通过预测肿瘤良性恶性引入，咱们依据数据集作图，横坐标示意肿瘤大小，纵坐标 0 示意良性，1 示意恶性，陈我给二分类。若纵坐标有 0、1、2、3 多种分类（不同类型恶性），称为多分类。
当然，咱们也能够用另一种作图形式，用不同符号示意良性恶性。
当有多种特色，如病人年龄、肿瘤大小、细胞形态等，能够画一条直线，离开两类肿瘤
无监督学习
- 无监督学习，即只给咱们数据，不通知咱们数据属于哪一类，或者有哪几种类型，须要咱们本人总结类型并给数据分类。无监督学习包含聚类问题、拆散问题等
- 聚类算法，把数据分成几类。
（1）例如谷歌新闻会收集新闻，并分成新闻专题。当咱们点击 BP 油井泄露时，同一主题的就会汇集在一起
（2）在基因组剖析中，给予一组个体，监测他们是否含有某个基因。后果如图，色彩示意他们领有基因的水平，而后运行分类算法，将不同个体分为不同的类
（3）组织大型计算机集群时，剖析哪些机器协同工作时效率更高，将其分类
（4）社交网络分析，自动识别哪些人要好，那些人是泛泛之交
- 鸡尾酒宴算法：加入鸡尾酒会时，许多人同时谈话，多种声音混淆，如何将每个人的声音分离出来。咱们当时不晓得有多少人谈话（有哪几类），须要将叠加的音频拆散。
机器学习举荐的编程环境
- 上边的鸡尾酒问题，看似简单，实现却只须要一行代码
如果咱们应用 Octace 编程环境，许多算法几行代码就能实现。咱们在工作时，写算法也举荐先用 Octave 写原型程序，确定可能无误工作后，再应用 java、C++ 等编译环境实现，这样能大大提高效率
如 SVD：解线性方程，用 C ++、java 代码量多，而且要援用许多库；而 Octave 曾经写好了，间接援用一行代码就实现了