什么是機器學習

本系列博客為你從機器學習的介紹開始，使用大量的代碼實戰和驗證，最終幫助你完全掌握什么是機器學習

人工智能、機器學習和深度學習的關系

人工智能（Artificial Intelligence，AI）：是一門研究和開發智能機器或計算機程序的科技領域，旨在使這些系統能夠模擬、延伸和擴展人類的智能行為。

機器學習（Machine Learning，ML）：是人工智能領域的一個分支，它專注于研究和開發算法與統計模型，使得計算機系統能夠從數據中自動“學習”規律、模式和特征，并利用這些學習結果對未知數據進行預測、分類、決策或優化任務，而無需進行顯式的編程。換言之，機器學習致力于創建能夠自我改進的程序，其性能隨著經驗（即數據輸入）的增加而不斷提升。

深度學習（Deep Learning，DL）：是機器學習的一個子領域，它受到人腦神經網絡工作原理的啟發，采用多層非線性模型對復雜數據進行高效表示和分析。在深度學習中，構建了包含多個處理層（或稱為隱藏層）的神經網絡結構，這些層次能夠逐級提取輸入數據的特征，從原始信號逐步轉化為越來越抽象、更具有辨別力的特征表達。

簡而言之，人工智能包括了機器學習，機器學習包括了深度學習，如下圖所示

巨人的肩膀

這些都是華人在機器學習領域的大牛，我也是通過他們的課程和文章來為你展開機器學習的介紹，我非常建議你可以根據我的博客筆記，來看他們的課程，他們的作品內容肯定要比我更優秀，如果你在學習機器學習過程中遇到什么問題，我也非常歡迎你來和我進行交流。

吳恩達：斯坦福大學副教授，前百度大腦的負責人與百度首席科學家。經典課程:有監督的機器學習：回歸與分類 | Coursera

李航：現任字節跳動科技有限公司人工智能實驗室總監，北京大學、南京大學客座教授，IEEE 會士，ACM 杰出科學家，CCF 高級會員。代表作：《 統計學習方法》

周志華：南京大學計算機科學與技術系主任、人工智能學院院長。代表作：《 機器學習》 （西瓜書）

陳天奇：機器學習領域著名的青年華人學者之一，本科畢業于上海交通大學ACM 班，博士畢業于華盛頓大學計算機系。主要貢獻：設計了XGBoost 算法。

何愷明：本科就讀于清華大學，博士畢業于香港中文大學多媒體實驗室。2016 年，加入Facebook AI Research Research（FAIRFAIR）擔任研究科學家。主要貢獻：設計了ResNets

機器學習的分類

按任務類型：

• 回歸問題：連續型目標變量，如：房價預測
• 分類問題：分類型目標變量，如：圖像識別
• 聚類問題：無需目標變量，如：市場細分、客戶聚類
• 降維問題：無需目標變量，高維空間中的數據映射到低維空間。

按學習方式：

• 有監督學習：基于一組帶有標注的樣本訓練模型，然后用該模型對新的未知結果的樣本作初預測。如：回歸、分類。
• 無監督學習：訓練樣本的結果信息是沒有被標注的。如，聚類、降維。
• 強化學習：又稱再勵學習、評價學習或增強學習，是機器學習的范式和方法論之一。

你現在無須立馬掌握這么多的類型的機器學習，在后續博客中，我會為你一一講解這些不同的機器學習，在理論和代碼的結合中讓你更加熟練地掌握機器學習。

基本術語

• 學習（訓練）：從數據中學得模型的過程
• 訓練集：參與模型訓練的樣本集合
• 測試：學得模型后，使用其樣本進行預測的過程
• 測試集：被預測的樣本集合
• 假設：學得模型對應的關于數據的某種潛在規律
• 泛化能力：學得模型適用于新樣本的能力
• 獨立同分布：樣本空間的全體樣本都服從一個未知的分布，且相互獨立

這些基本術語都很簡單，我也會在后面的例子中為你詳細介紹它們。