机器学习 - 机器学习简介（Introduction to Machine Learning）

本文将从

机器学习、监督学习、无监督学习

三个方面，带您了解机器学习简介： Introduction to Machine Learning。

机器学习

机器学习初体验： 现实生活中，我们每天都在不知不觉中使用了各种各样的机器学习算法。

1. 网络搜索优化：

• Google运用学习算法优化网页排名，确保搜索结果精准。
• 该算法通过用户搜索行为持续学习，提升用户体验。

• 社交媒体应用 ：

1. 在抖音，机器学习算法负责视频内容的个性化推送。
2. 系统根据用户的兴趣标签和行为数据，智能推荐相关视频。

• 垃圾邮件过滤 ：

1. 垃圾邮件过滤器使用学习算法区分垃圾邮件和正常邮件。
2. 这帮助我们专注于重要邮件，免受垃圾邮件干扰。

• 购物自动推荐 ：

1. 电商平台利用机器学习技术，根据用户的购物历史和浏览行为，自动推荐相关商品。
2. 这种个性化推荐提升了购物体验，也促进了商品销售。

机器学习的定义： 让计算机通过对大量数据进行分析和学习，从而可以自动进行预测和决策的技术。

1. 亚瑟·塞穆尔 Arthur Samuel (1959).

• Machine Learning: Field of study that gives computers the ability to learn without being explicitly programmed.
• 亚瑟·塞穆尔将机器学习定义为：在没有明确为计算机编写（完成某项具体任务的）程序的情况下，让计算机拥有 “学习” 能力的一个研究领域。

2. 汤姆·米切尔 Tom Mitchell (1998).

• Well-posed Learning Problem: 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.
• 汤姆·米切尔提出了一个更正式的定义：如果一个计算机程序在任务 T 上的性能度量 P ，通过经验 E 而提高，那么我们称这个计算机程序通过经验 E 来学习。

机器学习的本质 ： 机器自己学会如何去做。

机器通过 大量数据的学习和实践 ，自动发现规律、优化性能，从而能够 自主地进行预测、决策和解决问题 。它使机器具备从经验中学习的能力，不断优化自身，最终达成特定目标。这一过程 无需人类进行明确的编程和规则设定 ，而是机器自我探索和进步。

1. 自主提取规律：机器学习能从大量数据中自动发现潜在规律和模式。
2. 优化预测与决策：通过持续学习和调整，机器学习能提升预测和决策的准确性。
3. 自主解决问题：机器学习训练后，能自主处理新数据，解决各类问题。

机器学习的分类： 分别是监督学习 (Supervised Learning) 和无监督学习 (Unsupervised Learning)。

监督学习的定义：**** Supervised Learning 指的就是我们给学习算法一个数据集，这个数据集由“正确答案”组成。

• 监督学习是指我们给学习算法一个包含“正确答案”的数据集，并基于这些样本进行预测。
• 回归问题：预测连续值的结果，如房价预测。

• 分类问题：预测离散的输出值，如判断肿瘤是否恶性。

监督学习的本质： Supervised Learning 就是我们要明确告诉计算机如何做某件事情。

监督学习的2个任务： 回归（Regression）、分类（Classification）

1. 回归（Regression）

• 任务： 预测连续数值输出。
• 目标： 根据输入特征估计一个连续值。
• 数据特点： 处理的是连续型数据，这类数据可以在某个范围内取任意实数值，如温度、身高、体重、价格等。

2. 分类（Classification）

• 任务： 预测离散的类别标签。
• 目标： 将实例分配到两个或多个离散类别中。
• 数据特点： 处理的是离散型数据，即不连续的数据，如性别、天气状况等

监督学习，详细了解看这篇 ：机器学习算法 - 一文搞懂SL（监督学习）

无监督学习的定义：**** Unsupervised Learning 中，没有属性或标签这一概念，也就是说所有的数据都是一样的，没有区别。

• 无监督学习中，数据集没有标签或属性，算法需要自行发现数据中的结构。
• 聚类算法是无监督学习的一个例子，它将数据分为不同的类别或聚类。

• 应用实例包括新闻聚合、社交网络分析。

无监督学习的本质： Unsupervised Learning 则意味着我们要让程序自己进行学习。

在 Unsupervised Learning 中，我们只有一个数据集，没人告诉我们该怎么做，我们也不知道每个数据点究竟是什么意思。相反，它只告诉我们，现在有一个数据集，你能在其中找到某种结构吗？

聚类算法： K均值聚类将数据集划分为K个不同的群组或聚类，每个聚类的中心是该聚类的数据点的平均值。

• 初始化：选择K个数据点作为初始聚类中心（重心）。这
• 分配数据点到聚类：对于数据集中的每个数据点，计算它与每个聚类中心的距离，并将其分配给距离最近的聚类中心。
• 更新聚类中心：对于每个聚类，计算其所有数据点的平均值（在多维空间中），并将该平均值设置为新的聚类中心。
• 迭代：重复步骤2和3，直到满足某个停止条件。

无监督学习，详细了解看这篇 ：机器学习算法 - 一文搞懂UL（无监督学习）