什么是机器学习？
我们常用的计算机程序几乎都是软件开发人员从零编写的。程序的核心是— 业务逻辑 ，详细说明程序在各种情况下进行的操作。
机器学习（machine learning，ML） 是强大的可以从经验中学习的技术。通常采用观测数据或与环境交互的形式，机器学习会积累更多的经验，其性能也会逐步提高。
1 机器学习：用数据编程
参数是旋钮，转动旋钮来调整程序的行为。任一调整参数后的程序，称为模型。通过操作参数而生成的所有不同程序（输入-输出映射）的集合称为“模型族”。使用数据集来选择参数的元程序称为学习算法。
使用机器学习解决问题，必须精确地定义问题，确定输入和输出，并选择合适的模型族。
在机器学习中，学习是一个用数据训练模型的过程，目的是寻找正确的参数集。
训练过程：
- 一个随机初始化参数的模型，毫无智能。
- 获取一下数据样本（如，音频片段+标签）。
- 调整参数，使模型在这些样本中表现的更好。
- 重复2,3，直到模型在任务中的表现令你满意。
2 关键组件
- 可以学习的数据。
- 转换数据的模型。
- 一个目标函数，用来量化模型的有效性。
- 调整模型参数以优化目标函数的算法。
3 监督学习
监督学习（supervised learning）：在给定输入特征的情况下预测标签，需要大量的“特征-标签”样本。
- 回归（regression）：最简单的监督学习任务之一。预测的标签是任意数值，有关“多少”的问题。
- 分类（classification）：预测的标签是类别，二元分类或多分类任务，有关“哪一个”的问题。
- 生成（generation）：没有固定的标签形式，多种多样，如机器翻译，语音转文字，图片的风格变换，描述图片内容，
- 序列学习：很多问题有固定大小的输入和产生固定大小的输出，如房价预测，图片分类。但有一些问题，它们的输入是序列的，也就是连续的，比如，语音片段、视频片段。这种情况下，输入由不同数量的帧组成，前后帧之间是有联系的，这就需要具有记忆能力的模型。序列学习获取输入序列或预测输出序列，或两者兼有。
4 无监督学习
无监督学习（unsupervised learning）：有大量的数据，但对结果没有具体的概念，不含“目标“的机器学习。聚类（clustering）、生成对抗性网络（gan）。
5 强化学习
强化学习（reinforcement learning）：与环境互动并采取行动，agent 在一系列的时间步骤上与环境交互。 在每个特定时间点，agent 从环境接收一些观察（observation），并且必须选择一个动作（action），然后通过某种机制（有时称为执行器）将其传输回环境，最后 agent 从环境中获得奖励（reward）。 此后新一轮循环开始，agent 接收后续观察，并选择后续操作，依此类推。
强化学习框架的通用性很强，可以将任何监督学习问题转换为强化学习问题，还可以解决学到监督学习无法解决的问题。
6 深度学习
机器学习是人工智能的一个分支，深度学习是机器学习的一个子集。
深度学习是深度的，模型学习许多转换的层，每一层提供一个层的表示。靠近输入的层可以表示数据的低级细节，而接近输出的层可以表示用于区分的更抽象的概念。
深度学习方法中的一个显著趋势是使用端到端训练。 也就是说，与其基于单独调整的组件组装系统，不如构建系统，然后联合调整它的性能。
标签：机器,模型,学习,监督,参数,d2l,输入 来源： https://blog.csdn.net/IT_xiao_/article/details/116128296
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。