1、機器學習第一節機器學習機器學習的應用和現狀機器學習方法分類機器學習推理方法什么是機器學習Langley說：“機器學習是一門人工智能的學科，該領域的主要研究對象是人工智能，特別是如何在經驗學習中改善具體算法的性能?！盩omMitchell說：“機器學習是對能通過經驗自動改進的計算機算法的研究?！盇lpaydin說：“機器學習是用數據或以往的經驗，以此優化計算機程序的性能標準?！笔裁词菣C器學習？ 機器學習是近20多年興起的一門多領域交叉學科,涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。 顧名思義，機器學習是研究如何使用機器來模擬人類學習活動的一門學科。嚴格的說，機器學習是一門研究

2、機器獲取新知識和新技能，并識別現有知識的學問。 機器學習定義機器學習發展史機器學習的發展大體上經歷了三個階段：第一階段：探索階段，20世紀5060年代 這一階段主要受神經生理學、生理學和生物學影響，主要側重于非符號的神經元模型的研究。第二階段：發展階段，20世紀70年代 這一階段專家系統發展迅速，知識獲取成為當務之急，主要側重于符號學習的研究。第三階段：鼎盛階段，20世紀80年代 這一階段的理論研究和應用研究也有了新的突破，機器學習的研究進入了全面的系統化的時期。機器學習的應用 機器學習目前已經有了十分廣泛的應用，例如：數據挖掘、計算機視覺、自然語言處理、生物特征識別、搜索引擎、醫學診斷、檢測

3、信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略游戲和機器人運用。機器學習的應用 百度目前正在推進一個名為“百度大腦”的項目，利用計算機技術模擬人腦，已經可以做到2-3歲孩子的智力水平。目前百度大腦在語音、圖像、自然語言處理和用戶畫像等前沿領域都有了不錯的進展。 IBM識別癌變細胞技術取得重大突破，用深度學習與神經網絡重塑病理學。 Google翻譯里程碑：基于單一模型的 Zero-Shot 系統正式上線。Google多語言神經機器翻譯系統支持103種語言的翻譯。 整容式的美顏2.0技術如何實現？最關鍵的技術人臉識別。機器學習的應用 機器學習將會在各行業得到廣泛應用，未來5-10年

4、內會在工業，農業，商業智能，教育，交通，金融，醫療，娛樂等領域得到應用。工業：對制造、物流業起到推動作用，依托傳感器、芯片等底層數據收集硬件，基于大數據優化工業機器人算法，替代更多人工工作。農業：通過底層硬件實現全自動灌溉等，解放人工。教育：雖然教育活動的主角仍然是教師，但人工智能可以有效地降低教育的成本，如通過網絡讓更多人在線學習優秀教師的課程，并通過機器學習技術來分析學習效果，幫助教師用更少的精力提供對更多人的差異教育，真正實現因材施教。機器學習的應用交通：除無人汽車以外，隨著車聯網的發展，城市交通管理可以做到根據交通情況的變化，動態調整交通管理策略，如改變高速路的收費策略，或是引導司機繞

5、開擁堵路段。金融：風控模型和客服系統將得到進一步的升級，真正做到根據個人情況提供個性化的金融服務，包括貸款、保險費率的變化，虛擬客服服務的提供等。另外，金融安保能力也將得到進一步的提升，如使用人臉、指紋識別技術降低風險，或是利用更先進的加密技術，抵擋黑客的入侵。機器學習的應用醫療：通過智能硬件來收集個人健康數據，并基于醫療案例庫，自動形成醫療建議，幫助醫生更好的發現病人潛在的問題，提升醫療效率。娛樂：結合VR、AR技術，通過智能硬件生成虛擬現實，提供給游戲等娛樂產品使用。機器學習的現狀“機器學習”現在的形態是什么？ 算法 + 數據“機器學習”有哪些技術局限？局限（1）：需要大量訓練樣本大數據時

6、代，訓練樣本數量不再是問題？ NO！局限（2）：難以適應環境變化無人駕駛難點：路況變化環境變化局限（3）：黑箱模型黑箱模型難以用于高風險應用機器學習的下一步怎么發展？ 機器學習的下一步其實會往各種方向發展，一個大的趨勢是因為不同類型的數據會越來越多，所以需要分析的數據也會越來越多。 往后有很多任務可能都需要新的機器學習技術，但是一個大的趨勢是我們要增加機器學習的魯棒性。這個是非常大的需求，因為在目前情況下很多研究中機器能達到人類的水準，甚至比人類的狀態還要好。但是如果遇到一些罕見的情況，它會錯得非常離譜。機器學習的一般步驟 機器學習是一個有反饋的系統，其基本系統結構模型圖1 所示:圖1 機器學

7、習的基本系統結構模型機器學習的一般步驟環境：外部信息的來源，為系統的學習提供有關信息。學習：從環境取得信息，經過分析、類比和歸納等思想獲得知識存入知識庫。知識庫：存放由學習得到的知識。執行：基于新的知識庫，執行一系列任務。機器學習的一般步驟機器學習中學習環節的一般過程如圖2：圖2 學習環節的一般過程 在進行學習前要先確定具體采用哪一種方法學習，而訓練就是運行具體的學習算法獲得相關的知識。機器學習實施過程特征提取特征1樣本數據樣本數據樣本數據n預處理特征樣本集原始樣本集機器學習算法訓練預測輸出驗證集評價目標特征1n目標特征1n目標特征1n訓練集目標特征1n目標特征1n目標特征1n驗證集目標特征1

8、n目標特征1n目標預測目標預測目標預測目標改進機器學習方法的分類 機器學習的研究方法種類繁多，目前比較流行的機器學習方法分類主要有以下幾種。按學習時所用的分類方法進行分類機械式學習示教學習類比學習解釋學習機器學習方法的分類按推理的策略進行分類演繹學習：所用的推理形式為演繹推理，推力從公理出發，經過邏輯變換推導出結論。這種學習方法包含宏操作學習、知識編輯和組塊技術。歸納學習：有教師或環境提供某概念的一些實例或反例，讓學生通過歸納推理得出該概念的一般描述。機器學習方法的分類按綜合因素進行分類連接學習分析學習遺傳算法與分類器系統機器學習的分類監督學習無監督學習機器學習算法統計分類回歸分析聚類關聯規則監督學習(unsupervised learning):利用一組已知類別的樣本調整分類器的參數，使其達到所要求性能的過程，也稱為監督訓練或有教師學習。無監督學習(unsupervised learning):設計分類器時候，用于處理未被分類標記的樣本集。決策樹、樸素貝葉斯、邏輯回歸、KNN、SVM、神經網絡、隨機森林K-means、BIRCH、Apriori機器學