1樓：加米穀大資料科技
機器學習是一類演算法的總稱，這些演算法企圖從大量歷史資料中挖掘出其中隱含的規律，並用於**或者分類，更具體的說，機器學習可以看作是尋找一個函式，輸入是樣本資料，輸出是期望的結果，只是這個函式過於複雜，以至於不太方便形式化表達。需要注意的是，機器學習的目標是使學到的函式很好地適用於「新樣本」，而不僅僅是在訓練樣本上表現很好。學到的函式適用於新樣本的能力，稱為泛化（generalization）能力。
通常學習一個好的函式，分為以下三步：
1、選擇一個合適的模型，這通常需要依據實際問題而定，針對不同的問題和任務需要選取恰當的模型，模型就是一組函式的集合。
2、判斷一個函式的好壞，這需要確定一個衡量標準，也就是我們通常說的損失函式（loss function），損失函式的確定也需要依據具體問題而定，如迴歸問題一般採用歐式距離，分類問題一般採用交叉熵代價函式。
3、找出「最好」的函式，如何從眾多函式中最快的找出「最好」的那一個，這一步是最大的難點，做到又快又準往往不是一件容易的事情。常用的方法有梯度下降演算法，最小二乘法等和其他一些技巧（tricks）。
學習得到「最好」的函式後，需要在新樣本上進行測試，只有在新樣本上表現很好，才算是一個「好」的函式。
2樓：匿名使用者
機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演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效能。深度學習的發展需要大資料跟計算力的支撐，思騰合力成立 10 年來深耕教育、科研、ai行業，80%做人工智慧科研等領域研究的重點高校已應用思騰產品，為各專業老師和同學們的科學實驗研究提供了優秀的gpu加速解決方案，以及中科院下屬各科研機構、研究所等也跟思騰建立了長期的合作關係，助力國家各領域科學研究。
3樓：教育達人希希
付費內容限時免費檢視
回答您好，我們把討論的範圍限定在最常見的有監督學習的框架內，所謂的機器學習模型，本質上是一個函式，其作用是實現從一個樣本 [公式] 到樣本的標記值 [公式] 的對映，即 [公式]
當然這樣說太籠統了，事實上機器學習模型需要在給定樣本集合 [公式] 以及其對應標籤 [公式] 的情況下，用假設已知的函式形式 [公式] , 儘可能擬合客觀存在的對映函式 [公式] ，並且保證 [公式] 在未知同分布樣本上具有儘可能相近的擬合能力
線性模型是最簡單的，也是最基本的機器學習模型。其數學形式如下：g(x;w)=wtx。
有時，我們還會在wtx的基礎上額外加入一個偏置項b，不過只要把x擴充套件出一維常數分量，就可以把帶偏置項的線性函式歸併到wtx的形式之中。線性模型非常簡單明瞭，引數的每一維對應了相應特徵維度的重要性。但是很顯然，線性模型也存在一定的侷限性。
希望我的回答對您有所幫助~祝您天天開心快樂~[鮮花]更多3條
什麼是機器學習？
4樓：匿名使用者
通俗理解機器學習：機器從資料中學習，進而得到一個更加符合現實規律的模型，通過對模型的使用使得機器比以往表現的更好。
舉個例子：
中學階段，學生通過做大量的練習題，為的就是在高考解決問題。高考的題目一般來說是之前肯定沒有遇到過的（無原題），但是這並不意味著這些題目我們無法解決。通過對之前所做過的練習題的分析，找到解題方法，同樣可以解決陌生的題目，這就是人類的學習。
機器學習就是模擬人類學習的過程。
機器學習其實就是將這一套方式運用到機器上，利用一些已知的資料（平時的練習題）來訓練機器（做，讓機器自己分析這些資料，並找到內在聯絡（學習解題方法），構建模型，從而對未知的資料（高考題）進行**判定等。
關於機器學習一些演算法 可以關注 機器學習學習筆記
什麼是機器學習？
5樓：匿名使用者
機器學習是人工智慧的一個分支。人工智慧的研究歷史有著一條從以「推理」為重點，到以「知識」為重點，再到以「學習」為重點的自然、清晰的脈絡。顯然，機器學習是實現人工智慧的一個途徑，即以機器學習為手段解決人工智慧中的問題。
機器學習在近30多年已發展為一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、計算複雜性理論等多門學科。機器學習理論主要是設計和分析一些讓計算機可以自動「學習」的演算法。機器學習演算法是一類從資料中自動分析獲得規律，並利用規律對未知資料進行**的演算法。
因為學習演算法中涉及了大量的統計學理論，機器學習與推斷統計學聯絡尤為密切，也被稱為統計學習理論。演算法設計方面，機器學習理論關注可以實現的，行之有效的學習演算法。很多推論問題屬於無程式可循難度，所以部分的機器學習研究是開發容易處理的近似演算法。
機器學習已廣泛應用於資料探勘、計算機視覺、自然語言處理、生物特徵識別、搜尋引擎、醫學診斷、檢測信用卡欺詐、**市場分析、dna序列測序、語音和手寫識別、戰略遊戲和機器人等領域。
什麼是機器學習？
6樓：匿名使用者
通俗理解機器學習：機器從資料中學習，進而得到一個更加符合現實規律的模型，通過對模型的使用使得機器比以往表現的更好。
舉個例子：
中學階段，學生通過做大量的練習題，為的就是在高考解決問題。高考的題目一般來說是之前肯定沒有遇到過的（無原題），但是這並不意味著這些題目我們無法解決。通過對之前所做過的練習題的分析，找到解題方法，同樣可以解決陌生的題目，這就是人類的學習。
機器學習就是模擬人類學習的過程。
機器學習其實就是將這一套方式運用到機器上，利用一些已知的資料（平時的練習題）來訓練機器（做，讓機器自己分析這些資料，並找到內在聯絡（學習解題方法），構建模型，從而對未知的資料（高考題）進行**判定等。
關於機器學習一些演算法 可以關注 機器學習學習筆記
7樓：czj追風少年
機器學習通過從資料裡提取規則或模式來把資料轉換成資訊。主要的方法有歸納學習法和分析學習法。資料首先被預處理，形成特徵，然後根據特徵建立某種模型。
機器學習演算法分析收集到的資料，分配權重、閾值和其他引數達到學習目的。如果只想把資料分成不同的類，那麼「聚類」演算法就夠了；如果需要**，則需要一個「分類」演算法。opencv庫裡面包含的是基於概率統計的機器學習方法，貝葉斯網路、馬爾科夫隨機場、圖模型等較新的演算法還在成長過程中，所以opencv還沒有收錄。
機器學習的演算法有很多很多：1、mahalanobis
2、k-means 非監督的聚類方法3、樸素貝葉斯分類器 特徵是高斯分佈&&統計上相互獨立 條件比較苛刻4、決策數 判別分類器，根據閾值分類資料，速度快。id3，c4.5
5、boosting 多個判別子分類器的組合6、隨機森林 由多個決策樹組成7、人臉檢測/haar分類器 使用boosting演算法8、期望最大化em 用於聚類的非監督生成演算法
9、k-近鄰 最簡單的分類器10、神經網路（多層感知器） 訓練分類器很慢，但是識別很快11、支援向量機 svm 可以分類，也可以迴歸。通過分類超平面實現在高維空間裡的最優分類
12、遺傳演算法 借鑑生物遺傳機制 ，隨機化非線性計算演算法總之呢，個人覺得，機器學習、資料探勘、模式識別、專家系統等方向和領域目前還是一種比較混亂的局面。學術界和商業界可能是不同的，關於演算法的理論研究和使用這些方法生成商品是分別關注的。按照不同的領域、不同的方法可以劃分出眾多的分支。
但是有一點是肯定的，這些在上世紀80年代提出來的公式和證明，如今正在變成一行行的**，在一些貓（tomcat）、iis等伺服器的支援下，爬上了網路，到處尋覓對主人有用的資訊，然後運送到網路中，最終生成產品，或者半產品。看看你電腦上的那根網線，它那麼小，但是很難想象它從你的電腦上拿走了什麼，又給你送來了什麼。有些遠了，繼續說資料這些事。
目前我接觸過的演算法有：（太多了，一時間真不好說出來） 神經網路（感知器、bp、rbf等很多的演算法），遺傳演算法，支援向量機，層次分析法，各種迴歸，灰色系統（國產的方法，用於不確定知識的**），粗糙集，貝葉斯網路，時間序列分析（也有很多）。學習和研究紙面的演算法公式只是第一步，不可以忽略的基礎，如何使用這些方法，在浩瀚的網際網路上找到自己需要的、滿足客戶需要的資料和資訊，從而讓需要的人能夠更加方便地得到，是今後的重頭戲了。
貌似很多的企業已經進軍資料倉儲這一塊，並嚐到了巨大的甜頭，也有企業養著一隊預備軍，專注研發，隨時準備奔赴前線，佔領市場。無線網路市場的競爭已經到了激烈的局面，普適計算的時代也快到了吧。它依賴於硬體產品的可穿戴，和軟體產品的內嵌、快速響應。
總而言之，越來越人性化，誰都不願意抱著膝上型電腦蹲廁所，是吧？
8樓：匿名使用者
機器學習原來這麼有趣--用機器學習製作超級馬里奧的關卡
參考這個
機器學習是什麼
9樓：象拔蚌燒賣
機器學習是一門多領域交叉學科，涉及概率論，統計學，逼近論，凸分析，演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效能。
它是人工智慧的核心，是使計算機具有智慧的根本途徑。
機器學習有下面幾種定義：
(1) 機器學習是一門人工智慧的科學,該領域的主要研究物件是人工智慧，特別是如何在經驗學習中改善具體演算法的效能。
(2) 機器學習是對能通過經驗自動改進的計算機演算法的研究。
(3) 機器學習是用資料或以往的經驗,以此優化計算機程式的效能標準。
擴充套件資料：
基於學習方式的分類，機器學習分為：
(1) 監督學習(有導師學習)：輸入資料中有導師訊號，以概率函式、代數函式或人工神經網路為基函式模型，採用迭代計算方法，學習結果為函式。
(2) 無監督學習(無導師學習)：輸入資料中無導師訊號，採用聚類方法，學習結果為類別。典型的無導師學習有發現學習、聚類、競爭學習等。
(3) 強化學習(增強學習)：以環境反慣(獎/懲訊號)作為輸入，以統計和動態規劃技術為指導的一種學習方法。
基於資料形式的分類，機器學習分為：
(1) 結構化學習：以結構化資料為輸人，以數值計算或符號推演為方法。典型的結構化學習有神經網路學習、統計學習、決策樹學習、規則學習。
(2) 非結構化學習：以非結構化資料為輸人，典型的非結構化學習有類比學習案例學習、解釋學習、文字挖掘、影象挖掘、web挖掘等。
基於學習目標的分類，機器學習分為：
(1) 概念學習：學習的目標和結果為概念，或者說是為了獲得概念的學習。典型的概念學習主要有示例學習。
(2) 規則學習：學習的目標和結果為規則，或者為了獲得規則的學習。典型規則學習主要有決策樹學習。
(3) 函式學習：學習的目標和結果為函式，或者說是為了獲得函式的學習。典型函式學習主要有神經網路學習。
(4) 類別學習：學習的目標和結果為物件類，或者說是為了獲得類別的學習。典型類別學習主要有聚類分析。
(5) 貝葉斯網路學習：學習的目標和結果是貝葉斯網路，或者說是為了獲得貝葉斯網路的一種學習。其又可分為結構學習和多數學習。
機器學習有沒有什麼好的教材機器學習有沒有什麼好的推薦教材？
毫無疑問是tom.mitchell的 機器學習 幾乎全世界機器學習課程都在用的教材 作者個版人 上又新增了權一章的電子版 不過本書沒有系統介紹svm。土耳其人阿培丁寫的 機器學習導論 也不錯。可以結合看看模式識別方面的書籍。機器學習在我看來其實就是判別和分類。duda的 模式分類 很經典。無論如何，...
碩士學習方向，fpga和機器學習哪個好
fpga的基礎就是數位電路和vhdl語言，想學好fpga的人，建議床頭都有一本數位電路的書，不管是哪個版本的，這個是基礎，多瞭解也有助於形成硬體設計的思想。在語言方面，建議初學者學習verilog語言，vhdl語言語法規範嚴格，除錯起來很慢，verilog語言容易上手，而且，一般大型企業都是用ver...
機器學習和深度學習之間的區別有哪些
機器學習最基本的做法，是使用演算法來解析資料 從中學習，然後對真實世界中的事件做出決策和 與傳統的為解決特定任務 硬編碼的軟體程式不同，機器學習是用大量的資料來 訓練 通過各種演算法從資料中學習如何完成任務。機器學習直接 於早期的人工智慧領域。傳統演算法包括決策樹學習 推導邏輯規劃 聚類 強化學習和...