机器学习（一）--------简介

首先，人工智能（Artificial Intelligence）有很多领域：

包括机器学习（Machine Learning）、专家系统、、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。

所以机器学习是一种实现人工智能的技术，而另一个深度学习（Deep Learning）是一种实现机器学习的技术。

第一个机器学习的定义来自于 Arthur Samuel。他定义机器学习为，在进行特定编程的情况下，给予计算机学习能力的领域。 Samuel 的定义可以回溯到 50 年代，他编写了一个西洋棋程序。这程序神奇之处在于，编程者自己并不是个下棋高手。但因为他太菜了，于是就通过编程，让西洋棋程序自己跟自己下了上万盘棋。通过观察哪种布局（棋盘位置）会赢，哪种布局会输，久而久之，这西洋棋程序明白了什么是好的布局，什么样是坏的布局。然后就牛逼大发了，程序通过学习后，玩西洋棋的水平超过了 Samuel。这绝对是令人注目的成果。尽管编写者自己是个菜鸟，但因为计算机有着足够的耐心，去下上万盘的棋，没有人有这耐心去下这么多盘棋。通过这些练习，计算机获得无比丰富的经验，于是渐渐成为了比Samuel 更厉害的西洋棋手。上述是个有点不正式的定义，也比较古老。另一个年代近一点的定义，由 Tom Mitchell 提出，来自卡内基梅隆大学， Tom 定义的机器学习是，一个好的学习问题定义如下，他说，一个程序被认为能从经验 E 中学习，解决任务 T，达到性能度量值P，当且仅当，有了经验 E 后，经过 P 评判，程序在处理 T 时的性能有所提升。我认为经验E 就是程序上万次的自我练习的经验而任务 T 就是下棋。性能度量值 P 呢，就是它在与一些新的对手比赛时，赢得比赛的概率。

经验E 任务T 度量值P

最常用的两种算法：监督学习 无监督学习

监督学习：

比如最简单的根据面积推测房价，推测连续值,这是一个回归问题。

而根据肿瘤大小判断是不是良性，两种可能，是，不是， 离散值 ，这是一个分类问题。（离散值可能也不止两个，也有多个）

而有时会根据，肿瘤大小和年龄来判断，这就有了两个特征值，也可能有多个特征值甚至无限多，这时候要用向量机。

而回归和分类都是监督学习，因为我们知道要归纳出的结果。

无监督学习：

经典的例子就是新闻的分类，可能有很多类； 还有多个人的声音的分离，可能有多个人。

共同点是 可能分成很多类，但我们并不知道会有多少类，这就是无监督学习。