机器学习的动机与应用

数据挖掘与机器学习

• 数据挖掘：英文为data mining，也就是从数据中挖掘出有用的信息。
• 机器学习：因为是machine learning，是计算机科学和统计学的交叉学科，基本目标是学习一个X到Y的函数，来做分类或者回归的工作。
• 联系：
  
  • 机器学习经常和数据挖掘合在一起讲是因为好多数据挖掘的工作是通过机器学习提供的算法工具实现的。
  • 数据挖掘是做什么，机器学习是怎么做。数据挖掘是目标，机器学习是工具。
  • 数据挖掘可以用机器学习技术，也有非机器学习技术，但是实际上，现在主要就是用机器学习技术。

机器学习与深度学习

• 深度学习是机器学习里面一个比较火的大坑，本身是神经网络算法的衍生，在图像、语音等富媒体的分类和识别上取得了非常好的效果，所以现在的资金投入较多。本质上还是神经网络。
• 深度学习是机器学习的一个子集，是用复杂、庞大的神经网络进行机器学习。
• 在传统的机器学习中，手工设计特征对学习效果很重要，但特征工程非常繁琐。而深度学习能够从大数据中自动学习特征，这是深度学习在大数据时代受欢迎的一大原因。
• 深度学习的概念源于人工神经网络。

机器学习与模式识别

• 机器学习的一类问题叫模式识别，除了模式识别，机器学习还干别的事情，比如密度估计。
• 机器学习给模式识别提供了数据分析技术
• 模式识别与数据挖掘的区别在于模式识别重在认识事物，数据挖掘重在发现知识。
• 模式识别的主要应用领域是图像分析与处理、语音识别、声音分类、通信、计算机辅助诊断、数据挖掘等学科。

模式识别、机器学习与深度学习

• 地位：
  
  • 模式识别是最古老的
  • 机器学习是最基础的
  • 深度学习是非常崭新和有影响力的前沿领域
• 机器学习是从样本中学习的智能程序
• 在深度学习的模型中，受宠爱最多的就是被用在大规模图像识别任务中的卷积神经网络

机器学习课程

• 监督学习类问题是因为训练集是有标准答案的，可以用标准答案来监督
• 机器学习经典应用实例：
  
  • 邮编识别
• 监督学习
  
  • 应用实例：
    
    • 癌症预测
• 无监督学习：
  
  • 通俗理解：就是给你一组数据，不告诉你关于这组数据的任何正确答案，然后问你在这些数据中有没有一些有趣的结构？
  • 聚类属于无监督学习
  • 无监督学习的应用实例：
    
    • 鸡尾酒会上的声音提取问题
• 强化学习
  
  • 应用情景：
    
    • 适合于非一次性决策的问题中，逐渐提高解决问题的能力
  • 应用实例
    
    • 直升机操纵算法
    • 机器人学习
      
      • 教机器狗走路
      • 一个高速的小车避开障碍物
    • 网络爬虫
  • 强化学习的关键
    
    • 需要找到一种方式来定义想要什么，如何定义一个好的行为和坏的行为
    • 之后需要一个学习型算法来尽可能地获得更多的回报和更少的惩罚。