什么是机器学习

机器学习教程提供了机器学习的基本和高级概念。我们的机器学习教程专为学生和专业人士设计。

机器学习是一项不断发展的技术，它使计算机能够从过去的数据中自动学习。机器学习使用各种算法来构建数学模型并使用历史数据或信息进行预测。目前，它被用于各种任务，例如图像识别、语音识别、电子邮件过滤、Facebook 自动标记、推荐系统等等。

本机器学习教程向您介绍机器学习以及各种机器学习技术，例如监督学习、无监督学习和强化学习。您将了解回归和分类模型、聚类方法、隐马尔可夫模型和各种序列模型。

什么是机器学习

在现实世界中，我们周围都是人类，他们可以从他们的学习能力中学习一切，我们有计算机或机器可以按照我们的指令工作。但是机器也可以像人类一样从经验或过去的数据中学习吗？所以机器学习的作用来了。

机器学习被认为是人工智能的一个子集，主要涉及算法的开发，这些算法允许计算机自己从数据和过去的经验中学习。机器学习一词最早由Arthur Samuel于1959 年提出。我们可以概括地将其定义为：

机器学习使机器能够自动从数据中学习，从经验中提高性能，并在没有明确编程的情况下预测事物。

在样本历史数据（称为训练数据）的帮助下，机器学习算法构建了一个数学模型，无需明确编程即可帮助做出预测或决策。机器学习将计算机科学和统计学结合在一起，以创建预测模型。机器学习构建或使用从历史数据中学习的算法。我们提供的信息越多，性能就越高。

机器有能力学习是否可以通过获取更多数据来提高性能。

机器学习是如何工作的

机器学习系统从历史数据中学习，构建预测模型，并在收到新数据时为其预测输出。预测输出的准确性取决于数据量，因为大量数据有助于构建更好的模型，从而更准确地预测输出。

假设我们有一个复杂的问题，我们需要执行一些预测，所以我们不需要为它编写代码，而只需将数据提供给通用算法，在这些算法的帮助下，机器按照数据并预测输出。机器学习改变了我们思考问题的方式。下面的框图解释了机器学习算法的工作：

机器学习的特点：

• 机器学习使用数据来检测给定数据集中的各种模式。

• 它可以从过去的数据中学习并自动改进。

• 它是一种数据驱动的技术。

• 机器学习与数据挖掘非常相似，因为它也处理大量数据。

机器学习的需要

对机器学习的需求与日俱增。需要机器学习背后的原因是它能够完成对于一个人来说太复杂而无法直接实施的任务。作为人类，我们有一些限制，因为我们无法手动访问大量数据，因此，为此，我们需要一些计算机系统，而机器学习来简化我们的工作。

我们可以通过向机器学习算法提供大量数据来训练它们，让它们探索数据、构建模型并自动预测所需的输出。机器学习算法的性能取决于数据量，可以由成本函数决定。在机器学习的帮助下，我们可以节省时间和金钱。

机器学习的重要性可以从它的用例中很容易理解，目前，机器学习被用于自动驾驶汽车、网络欺诈检测、人脸识别和Facebook 的好友推荐等。 Netflix 和亚马逊等各种顶级公司都有构建机器学习模型，使用大量数据来分析用户兴趣并相应地推荐产品。

以下是显示机器学习重要性的一些关键点：

• 数据生产快速增长

• 解决人类难以解决的复杂问题

• 包括金融在内的各个部门的决策

• 发现隐藏的模式并从数据中提取有用的信息。

机器学习的分类

从广义上讲，机器学习可以分为三种类型：

1. 监督学习

2. 无监督学习

3. 强化学习

1）监督学习

监督学习是一种机器学习方法，我们向机器学习系统提供样本标记数据以对其进行训练，并在此基础上预测输出。

系统使用标记数据创建模型来理解数据集并了解每个数据，一旦训练和处理完成，我们就会通过提供样本数据来测试模型，以检查它是否预测了准确的输出。

监督学习的目标是将输入数据与输出数据进行映射。有监督的学习是建立在监督的基础上的，就像学生在老师的监督下学习一样。监督学习的例子是垃圾邮件过滤。

监督学习可以进一步分为两类算法：

• 分类

• 回归

2）无监督学习

无监督学习是一种机器在没有任何监督的情况下学习的学习方法。

训练提供给机器的数据集尚未标记、分类或分类，算法需要在没有任何监督的情况下对这些数据采取行动。无监督学习的目标是将输入数据重组为新特征或具有相似模式的一组对象。

在无监督学习中，我们没有预先确定的结果。机器试图从大量数据中找到有用的见解。它可以进一步分为两类算法：

• 聚类

• 协会

3）强化学习

强化学习是一种基于反馈的学习方法，其中学习代理因每个正确的动作获得奖励，并因每个错误的动作获得惩罚。代理通过这些反馈自动学习并提高其性能。在强化学习中，代理与环境交互并对其进行探索。代理的目标是获得最多的奖励积分，从而提高其性能。

自动学习手臂运动的机器狗是强化学习的一个例子。

注意：我们将在后面的章节中详细了解上述类型的机器学习。

机器学习的历史

几年前（大约 40-50 年），机器学习是科幻小说，但今天它已成为我们日常生活的一部分。从自动驾驶汽车到亚马逊虚拟助手“Alexa”，机器学习让我们的日常生活变得轻松。然而，机器学习背后的思想是如此古老且历史悠久。下面给出了机器学习历史上发生的一些里程碑：

机器学习的早期历史（1940 年之前）：

• 1834 年： 1834 年，计算机之父查尔斯·巴贝奇 (Charles Babbage) 构思了一种可以用穿孔卡片编程的设备。然而，机器从未被制造出来，所有的现代计算机都依赖于它的逻辑结构。

• 1936 年： 1936 年，Alan Turing 提出了一个理论，即机器如何确定和执行一组指令。

存储程序计算机时代：

• 1940： 1940年，第一台手动操作计算机“ENIAC”问世，这是第一台电子通用计算机。此后，1949 年的 EDSAC 和 1951 年的 EDVAC 等存储程序计算机问世。

• 1943 年： 1943 年，人类神经网络用电路建模。1950 年，科学家们开始将他们的想法应用于工作并分析人类神经元可能如何工作。

计算机机械与智能：

• 1950 年： 1950 年，Alan Turing 发表了一篇关于人工智能主题的开创性论文“计算机机械与智能”。他在论文中问道：“机器会思考吗？”

游戏中的机器智能：

• 1952 年：机器学习的先驱 Arthur Samuel 创建了一个程序，帮助 IBM 计算机玩跳棋游戏。它表现得更好。

• 1959 年： 1959 年，“机器学习”一词首先由Arthur Samuel创造。

第一个“AI”冬天：

• 1974 年到 1980 年是 AI 和 ML 研究人员的艰难时期，这段时间被称为AI 寒冬。

• 在此期间，机器翻译失败，人们对人工智能的兴趣减少，导致政府对研究的资助减少。

从理论到现实的机器学习

• 1959 年： 1959 年，第一个神经网络被应用于现实世界的问题，以使用自适应滤波器去除电话线上的回声。

• 1985 年： 1985 年，Terry Sejnowski 和 Charles Rosenberg 发明了一种神经网络NETtalk，它能够在一周内自学如何正确发音 20,000 个单词。

• 1997年： IBM的深蓝智能计算机在与国际象棋专家加里·卡斯帕罗夫的国际象棋比赛中获胜，成为第一台击败人类国际象棋专家的计算机。

机器学习在21世纪

2006 年： 2006 年，计算机科学家 Geoffrey Hinton 将神经网络研究命名为“深度学习”，如今它已成为最热门的技术之一。

• 2012 年： 2012 年，谷歌创建了一个深度神经网络，它学会了识别 YouTube 视频中的人和猫的图像。

• 2014年： 2014年，Chabot“ Eugen Goostman ”通过了图灵测试。这是第一个让 33% 的人类法官相信它不是机器的 Chabot。

• 2014 年： DeepFace是 Facebook 创建的深度神经网络，他们声称它可以像人类一样精确地识别一个人。

• 2016年： AlphaGo在围棋比赛中击败了世界排名第二的李世石。2017年击败了本场比赛第一名的柯洁。

• 2017 年： 2017 年，Alphabet 的 Jigsaw 团队构建了一个能够学习在线 trolling的智能系统。它曾经阅读不同网站的数百万条评论，以学习停止在线拖钓。

目前机器学习：

现在机器学习在它的研究上有了很大的进步，它在我们身边无处不在，比如自动驾驶汽车、亚马逊 Alexa、Catboats、推荐系统等等。它包括监督，无监督，并加强与集群学习，分类，决策树，SVM算法，等等。

现代机器学习模型可用于进行各种预测，包括天气预报、疾病预测、股市分析等。

先决条件

在学习机器学习之前，您必须具备以下基础知识，以便您轻松理解机器学习的概念：

• 概率和线性代数的基础知识。

• 使用任何计算机语言进行编码的能力，尤其是 Python 语言。

• 微积分知识，尤其是单变量和多元函数的导数。

观众

我们的机器学习教程旨在帮助初学者和专业人士。

问题

我们向您保证，您在学习我们的机器学习教程时不会遇到任何困难。但如果本教程有任何错误，请在联系表中发布问题或错误，以便我们改进。