機器學習(Machine Learning, ML)，顧名思義就是要讓機器能像人一樣去學習。這是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。機器學習是人工智能的一個分支，也是人工智能的核心，是使計算機具有智能的根本途徑。所以和人工智能一樣，機器學習也是一門綜合了統計學、概率論、逼近論、凸分析、計算複雜性理論等的交叉學科。
圖1 機器學習的研究領域
從圖中我們可以看到機器學習和模式識別、數據挖掘、統計學習、計算機視覺、語音識別、自然語言處理等多個領域都密切相關。
機器學習按實現方法可以如下分類：
（一）監督學習(Supervised learning)：是指在有標記樣本上建立機器學習的模型。
我們已經知道一些數據和正確的輸出結果（訓練集），然後通過這些數據訓練出一個模型，再利用這個模型去預測新數據的輸出結果。監督學習可分為迴歸問題和分類問題兩大類。迴歸問題中，我們預測的結果是連續值；而分類問題中，我們預測的結果是離散值。常見的監督學習算法有：線性迴歸、邏輯迴歸、K-近鄰、樸素貝葉斯、決策樹、隨機森林、支持向量機、梯度下降算法等。
下面說一下監督學習的一般框架：
f(x)可以是如下幾種形態：
- 一種迴歸方法
- 一個最近鄰模型
- 一系列規則的集合
- 一個神經網絡
- 一個貝葉斯網絡
- ......
（二）無監督學習（Unsupervised learning）：無監督學習中沒有給定類標的訓練樣本，這就需要我們對給定的數據直接進行建模。和監督學習最大的不同在於無監督學習我們事先並不知道數據的類標。常見的無監督學習算法有：聚類、EM算法等。有監督學習與無監督學習的區別就在有無標記樣本（或類標）。
（三）強化學習（Reinforcement learning）：強化學習是研究如何基於環境而行動，以取得最大的預期利益。比如：下棋、問題。在全局結果沒出來之前，不知道每步走的是對還是錯。也就是說我們在進行每一步時候不知道其對結果的影響有多大，只有等最終的結果出來後才明確。強化學習很依賴於學習的周圍環境。
目前機器學習廣泛應用於語音識別、自然語言處理、醫學診斷、無人駕駛、人機博弈等多個領域，諸如：科大訊飛語音助手、谷歌翻譯、電子商城的推薦系統、美圖軟件的圖片處理功能、今日頭條的個性化新聞定製等這些具體的應用場景和我們的生活息息相關。而在未來，機器學習將實現金融、醫療、教育、交通、生物、化學、農業等的全領域覆蓋，這不僅是一場科技的革命，更是時代的大勢所趨。機器學習的浪潮必然會讓我們的生活發生翻天覆地的變化，也將全方位推動人類社會更加文明。
對深度學習感興趣，熱愛Tensorflow的小夥伴，歡迎關注我們的網站！http://www.panchuang.net 我們的公眾號：磐創AI。
閱讀更多 人工智能遇見磐創 的文章
