一直以來，機(jī)器學(xué)習(xí)都是大家的關(guān)注焦點(diǎn)之一。因此針對(duì)大家的興趣點(diǎn)所在，小編將為大家?guī)頇C(jī)器學(xué)習(xí)的相關(guān)介紹，詳細(xì)內(nèi)容請(qǐng)看下文。

一、什么是機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。

它是人工智能核心，是使計(jì)算機(jī)具有智能的根本途徑。

機(jī)器學(xué)習(xí)是研究怎樣使用計(jì)算機(jī)模擬或?qū)崿F(xiàn)人類學(xué)習(xí)活動(dòng)的科學(xué)，是人工智能中最具智能特征，最前沿的研究領(lǐng)域之一。自20世紀(jì)80年代以來，機(jī)器學(xué)習(xí)作為實(shí)現(xiàn)人工智能的途徑，在人工智能界引起了廣泛的興趣，特別是近十幾年來，機(jī)器學(xué)習(xí)領(lǐng)域的研究工作發(fā)展很快，它已成為人工智能的重要課題之一。機(jī)器學(xué)習(xí)不僅在基于知識(shí)的系統(tǒng)中得到應(yīng)用，而且在自然語言理解、非單調(diào)推理、機(jī)器視覺、模式識(shí)別等許多領(lǐng)域也得到了廣泛應(yīng)用。一個(gè)系統(tǒng)是否具有學(xué)習(xí)能力已成為是否具有“智能”的一個(gè)標(biāo)志。機(jī)器學(xué)習(xí)的研究主要分為兩類研究方向：第一類是傳統(tǒng)機(jī)器學(xué)習(xí)的研究，該類研究主要是研究學(xué)習(xí)機(jī)制，注重探索模擬人的學(xué)習(xí)機(jī)制;第二類是大數(shù)據(jù)環(huán)境下機(jī)器學(xué)習(xí)的研究，該類研究主要是研究如何有效利用信息，注重從巨量數(shù)據(jù)中獲取隱藏的、有效的、可理解的知識(shí)。

機(jī)器學(xué)習(xí)歷經(jīng)70年的曲折發(fā)展，以深度學(xué)習(xí)為代表借鑒人腦的多分層結(jié)構(gòu)、神經(jīng)元的連接交互信息的逐層分析處理機(jī)制，自適應(yīng)、自學(xué)習(xí)的強(qiáng)大并行信息處理能力，在很多方面收獲了突破性進(jìn)展，其中最有代表性的是圖像識(shí)別領(lǐng)域。

二、機(jī)器學(xué)習(xí)分為哪三種

1、監(jiān)督學(xué)習(xí)(supervised learning)

監(jiān)督學(xué)習(xí)是指通過已有的訓(xùn)練樣本(即已知數(shù)據(jù)以及其對(duì)應(yīng)的輸出)來訓(xùn)練，從而得到一個(gè)最優(yōu)模型，再利用這個(gè)模型將所有新的數(shù)據(jù)樣本映射為相應(yīng)的輸出結(jié)果，對(duì)輸出結(jié)果進(jìn)行簡(jiǎn)單的判斷從而實(shí)現(xiàn)分類的目的，那么這個(gè)最優(yōu)模型也就具有了對(duì)未知數(shù)據(jù)進(jìn)行分類的能力。

監(jiān)督學(xué)習(xí)中只要輸入樣本集,機(jī)器就可以從中推演出制定目標(biāo)變量的可能結(jié)果。如協(xié)同過濾推薦算法,通過對(duì)訓(xùn)練集進(jìn)行監(jiān)督學(xué)習(xí),并對(duì)測(cè)試集進(jìn)行預(yù)測(cè),從而達(dá)到預(yù)測(cè)的目的。

2、無監(jiān)督學(xué)習(xí)(unsupervised learning)

與監(jiān)督學(xué)習(xí)相對(duì)應(yīng)的是無監(jiān)督學(xué)習(xí),此時(shí)數(shù)據(jù)沒有類別信息,也不會(huì)給定目標(biāo)值。在無監(jiān)督學(xué)習(xí) 中 , 將數(shù)據(jù)集合分成由類似的對(duì)象組成的多個(gè)類的過程被稱為聚類;將尋找描述數(shù)據(jù)統(tǒng)計(jì)值的過程稱之為密度估計(jì)。此外,無監(jiān)督學(xué)習(xí)還可以減少數(shù)據(jù)特征的維度,以便我們可以使用二維或三維圖形更加直觀地展示數(shù)據(jù)信息。

舉個(gè)例子

比如，遠(yuǎn)古時(shí)期，我們的祖先打獵吃肉，他們本身之前是沒有經(jīng)驗(yàn)而言的，當(dāng)有人用很粗的石頭去割動(dòng)物的皮的時(shí)候，發(fā)現(xiàn)很難把皮隔開，但是又有人用很薄的石頭去割，發(fā)現(xiàn)比別人更加容易的隔開動(dòng)物的毛皮，于是，第二天、第三天、……，他們就知道了需要尋找比較薄的石頭片來割。這些就是無監(jiān)督學(xué)習(xí)的思想，外界沒有經(jīng)驗(yàn)和訓(xùn)練數(shù)據(jù)樣本提供給它們，完全靠自己摸索。

3、增強(qiáng)學(xué)習(xí)(reinforcement learning)

增強(qiáng)學(xué)習(xí)又叫做強(qiáng)化學(xué)習(xí)，是近年來機(jī)器學(xué)習(xí)和智能控制領(lǐng)域的主要方法之一。它是機(jī)器學(xué)習(xí)中一個(gè)非?；钴S且有趣的領(lǐng)域，相比其他學(xué)習(xí)方法，增強(qiáng)學(xué)習(xí)更接近生物學(xué)習(xí)的本質(zhì)，因此有望獲得更高的智能。

增強(qiáng)學(xué)習(xí)關(guān)注的是智能體如何在環(huán)境中采取一系列行為，從而獲得最大的累積回報(bào)。通過增強(qiáng)學(xué)習(xí)，一個(gè)智能體應(yīng)該知道在什么狀態(tài)下應(yīng)該采取什么行為。增強(qiáng)學(xué)習(xí)是從環(huán)境狀態(tài)到動(dòng)作的映射的學(xué)習(xí)，我們把這個(gè)映射稱為策略。

最后，小編誠心感謝大家的閱讀。你們的每一次閱讀，對(duì)小編來說都是莫大的鼓勵(lì)和鼓舞。希望大家對(duì)機(jī)器學(xué)習(xí)已經(jīng)具備了初步的認(rèn)識(shí)，最后的最后，祝大家有個(gè)精彩的一天。