机器学习

机器学习计算机科学的分支——人工智能的一个子集,它通常使用统计学方法,借助数据,赋予计算机“学习”的能力(例如,逐渐提高在特定任务上的表现)而不需要明确编写学习过程。


机器学习的名字是Arthur Samuel在1959年创建的。由人工智能中的模式识别计算学习理论研究发展而来的机器学习,探究从数据中学习、做出预测的算法的研究与结构——这些算法通过从样本输入中建立模型,做出数据驱动的预测或决定,避免了一系列严格的静态程序指令。机器学习在很多使用以往表现良好、设计明确的算法十分困难、或不可行的计算任务中被使用,应用例如电子邮件过滤、网络入侵者与针对数据泄露的恶意内部人员的探查、光学字符识别学习排序计算机视觉


机器学习与计算统计学密切相关(而且常常与之重叠),计算统计学也专注于通过使用计算机进行预测。它与数学优化有着很强的联系,为该领域提供了方法、理论和应用领域。机器学习有时与数据挖掘混为一谈,后者更侧重于探索性数据分析,被称为无监督学习。机器学习也可以是无监督的,并可用于为各种实体,学习和建立基线行为轮廓,然后用于寻找有意义的异常。


数据分析领域,机器学习是设计复杂模型和算法的一种方法。这有助于预测;在商业用途中,这被称为预测分析。这些分析模型使研究人员、数据科学家、工程师和分析人员能够“产生可靠的、可重复的决策和结果”,并通过从数据中的历史关系和趋势中学习,来发现“隐藏的洞察力”。

概述

机器学习的任务

机器学习的应用

历史、和其它领域的关系

与统计学的关系

理论

方法

决策树学习

关联规则学习

人工神经网络

深度学习

归纳逻辑编程

支持向量机

聚类

贝叶斯网络

强化学习

表示学习

相似性与度量学习

稀疏表示与字典学习

遗传算法

基于规则的机器学习

学习分类器

特征选择方法

应用

模型评估

规范准则

软件

免费开源软件

有免费开源版本的专利软件

专利软件

期刊

会议

参见

参考文献

拓展阅读

外部链接