机器学习基础

人工智能：使机器具备人的意识和思维

人工智能三学派：
行为主义：控制论，如平衡控制系统
符号主义：基于算术逻辑表达式，将问题描述为表达式，使计算机具有理性思维，如专家系统
连接主义：模仿神经元连接关系，使计算机具有感性思维，如神经网络

机器学习(Machine Learning)：
人工智能的一个分支，由早期的理论为导向的符号学习，发展为以解决实际问题为导向的机器学习。

–
通过学习算法，使计算机从大量数据中学习规律并构建模型，从而能对新的数据做出识别对未来做出预测

以线性模型为例：
Step1.建立模型y=wx+b
Step2.通过数据学习模型，确定w,b （关键步骤）
Step3.使用模型预测结果

学习算法：从数据中产生模型的算法
数据集/样本集：用来学习的数据的集合，每一条样本由特征和标签构成

监督学习：对有标记的数据集进行的学习，通过对数据的学习总结出属性和标签的映射关系
（监督学习分为回归问题：预测连续值；分类问题：预测离散值）
无监督学习：对没有标记的数据集进行学习，挖掘数据内部蕴含的关系
（无监督学习通过聚类，将相似度高的样本聚合在一起，距离描述了特征值之间的相似度）
半监督学习：监督学习和无监督学习相结合，利用大量无标记数据和少量有标记数据进行学习

现实应用：股市预测、推荐系统、天气预测、学生行为建模、预测学习表现…