目录

1.什么是机器学习

2.机器学习的种类

3.相关名词释义

1. 什么是机器学习

人的一生在不断学习，广义的学习包含观察世界、认识世界、形成世界观、改造世界的过程。我们通过眼睛观察生活，通过大脑思考其中的联系和规律，从而规划自己的人生路径，这是人的学习。我们总结自己和前人的经验，未来生活中遇到类似的事情，能够找到应对之法，这也是人的学习。

机器学习与人的学习一样，只不过学习主体从人变成了计算机，学习的对象变成了数据。计算机从数据中经过分析获得规律，并利用规律对未知数据进行预测，这一过程便是机器学习。 

在吴恩达的课上，他引用了一段英文定义：

A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

这段话中，E指积攒的经验和数据，统计学中我们称为样本和特征；T是我们想达成的任务，即目标；P是机器学习的评价指标。

举个例子，训练计算机判断收到的电子邮件是否为垃圾邮件。这个任务中，E是历史邮件以及人为标记的该邮件是否为垃圾邮件的标签；T是判断新邮件是否为垃圾邮件；P是正确分类的比例。

2. 机器学习的种类

监督式学习：训练集有明确答案，监督学习就是寻找问题（又称输入、特征、自变量）与答案（又称输出、目标、因变量）之间关系的学习方式。监督学习模型有两类，分类和回归。

• 分类模型：目标变量是离散的分类型变量。

• 回归模型：目标变量是连续性数值型变量。

无监督学习：只有数据，无明确答案，即训练集没有标注目标变量。常见的无监督学习算法有聚类，由计算机自己找出规律，把有相似属性的样本放在一组。

3. 相关名词释义

问题：又称输入、特征、自变量，用X表示。

答案：又称输出、目标、因变量，用y表示。

数据：包含问题和答案，训练集和测试集都是数据。

训练集：用于训练模型的数据，即训练过程中用到的问题和答案。

测试集：用于检测模型的好坏，即评估过程中用到的问题和答案。

模型：描述问题与答案之间关系的方法。

训练：学习问题与答案之间关系的过程。

评估：衡量模型好坏的过程。

预测：解决问题的过程。

参考链接

吴恩达课程：https://www.coursera.org/learn/machine-learning​www.coursera.org

超智能体：https://mp.weixin.qq.com/s/D796RaONgH5V40RxNhQ36w