下一个→

机器学习教程

机器学习教程提供了机器学习的基本和高级概念。我们的机器学习教程是为学生和专业人士设计的。

机器学习是一项不断发展的技术，它使计算机能够从过去的数据中自动学习。机器学习使用各种算法利用历史数据或信息建立数学模型并进行预测．目前，它被用于各种任务，如图像识别，语音识别，电子邮件过滤，Facebook着，推荐系统等等。

本机器学习教程向您介绍了机器学习以及广泛的机器学习技术，例如监督，无人管理的,强化学习。您将学习回归和分类模型、聚类方法、隐马尔可夫模型和各种顺序模型。

什么是机器学习

在现实世界中，我们周围的人可以通过他们的学习能力从他们的经验中学习任何东西，我们有计算机或机器，它们根据我们的指令工作。但机器也能像人类一样从经验或过去的数据中学习吗?这就是角色机器学习．

机器学习被认为是一个子集人工智能这主要涉及算法的开发，使计算机能够自己从数据和过去的经验中学习。机器学习这个术语是由亚瑟在1959．我们可以将其概括为:

机器学习使机器能够自动从数据中学习，从经验中提高性能，并在没有明确编程的情况下预测事物。

借助样本历史数据，这被称为训练数据，机器学习算法构建数学模型这有助于在没有明确编程的情况下做出预测或决定。机器学习将计算机科学和统计学结合起来，创建预测模型。机器学习构建或使用从历史数据中学习的算法。我们提供的信息越多，绩效就越高。

如果机器可以通过获取更多数据来提高性能，那么它就有学习的能力。

机器学习是如何工作的

机器学习系统从历史数据中学习，建立预测模型，每当它收到新数据时，预测它的输出．预测输出的准确性取决于数据量，因为大量的数据有助于建立更好的模型，从而更准确地预测输出。

假设我们有一个复杂的问题，我们需要执行一些预测，所以我们不需要为它写代码，我们只需要将数据提供给通用算法，在这些算法的帮助下，机器根据数据构建逻辑并预测输出。机器学习已经改变了我们思考问题的方式。下面的框图解释了机器学习算法的工作原理:

机器学习的特点:

机器学习使用数据来检测给定数据集中的各种模式。
它可以从过去的数据中学习并自动改进。
它是一种数据驱动的技术。
机器学习与数据挖掘非常相似，因为它也要处理大量的数据。

机器学习的需求

对机器学习的需求与日俱增。需要机器学习的原因是，它能够完成太复杂的任务，一个人无法直接实现。作为人类，我们有一些局限性，因为我们无法手动访问大量的数据，所以为此，我们需要一些计算机系统，而机器学习让事情变得更容易。

我们可以通过向机器学习算法提供大量数据来训练它们，让它们自动探索数据、构建模型并预测所需的输出。机器学习算法的性能取决于数据量，可以由代价函数决定。在机器学习的帮助下，我们可以节省时间和金钱。

机器学习的重要性可以通过它的用例很容易理解，目前，机器学习被用于自动驾驶汽车，网络欺诈检测，人脸识别,Facebook好友推荐等。Netflix和亚马逊等各种顶级公司已经建立了机器学习模型，这些模型使用大量数据来分析用户的兴趣，并相应地推荐产品。

以下是显示机器学习重要性的一些关键点:

数据生产的快速增量
解决人类难以解决的复杂问题
包括财务在内的各个部门的决策
发现隐藏的模式并从数据中提取有用的信息。

机器学习分类

从广义上讲，机器学习可以分为三种类型:

监督式学习
无监督学习
强化学习

1)监督学习

监督学习是一种机器学习方法，我们向机器学习系统提供样本标记数据，以训练它，并在此基础上预测输出。

系统使用标记数据创建一个模型来理解数据集并了解每个数据，一旦训练和处理完成，我们就会通过提供样本数据来测试模型，以检查它是否预测准确的输出。

监督学习的目标是将输入数据与输出数据映射。监督学习是以监督为基础的，这和学生在老师的监督下学习是一样的。监督学习的例子是垃圾邮件过滤．

监督学习可以进一步分为两类算法:

分类
回归

2)无监督学习

无监督学习是一种机器在没有任何监督的情况下学习的学习方法。

训练是用一组没有被标记、分类或分类的数据提供给机器的，算法需要在没有任何监督的情况下对这些数据采取行动。无监督学习的目标是将输入数据重组为新的特征或具有相似模式的一组对象。

在无监督学习中，我们没有预先确定的结果。这台机器试图从大量数据中找到有用的见解。它可以进一步分为两类算法:

聚类
协会

3)强化学习

强化学习是一种基于反馈的学习方法，在这种方法中，学习代理每做一个正确的动作就会得到奖励，每做一个错误的动作就会得到惩罚。智能体根据这些反馈自动学习并提高其性能。在强化学习中，智能体与环境相互作用并探索环境。智能体的目标是获得最多的奖励点，因此，它提高了自己的表现。

自动学习手臂运动的机器狗就是强化学习的一个例子。

注意:我们将在后面的章节中详细学习上述类型的机器学习。

机器学习的历史

在几年前(大约40-50年)，机器学习只是科幻小说，但今天它已经成为我们日常生活的一部分。机器学习使我们的日常生活变得简单自动驾驶汽车来亚马逊虚拟助手“Alexa”．然而，机器学习背后的思想是如此古老，有着悠久的历史。以下是机器学习历史上发生的一些里程碑:

机器学习的早期历史(1940年前):

1834:1834年，计算机之父查尔斯·巴贝奇(Charles Babbage)构想了一种可以用穿孔卡片编程的设备。然而，这台机器从未被制造出来，但所有现代计算机都依赖于它的逻辑结构。
1936:1936年，艾伦·图灵提出了一个关于机器如何确定和执行一组指令的理论。

存储程序计算机时代:

1940:1940年，第一台手动操作计算机“ENIAC”被发明，这是第一台电子通用计算机。此后，1949年的EDSAC和1951年的EDVAC等存储程序计算机相继问世。
1943:1943年，一个人类神经网络用电路建模。1950年，科学家们开始将他们的想法应用于工作，并分析了人类神经元是如何工作的。

计算机机械与智能:

1950:1950年，艾伦·图灵发表了一篇开创性的论文，计算机机械与智能，主题是人工智能。在他的论文中，他问道:“机器能思考吗?”

游戏中的机器智能

1952:亚瑟·塞缪尔是机器学习的先驱，他开发了一个程序，帮助一台IBM电脑下跳棋。它表现得越好。
1959:1959年，“机器学习”一词首次由亚瑟．

第一个“AI”冬天:

1974年到1980年这段时间是AI和ML研究人员的艰难时期，这段时间被称为人工智能的冬天．
在这段时间里，机器翻译出现了故障，人们对AI的兴趣降低了，导致研究经费减少了政府。

机器学习从理论到现实

1959:1959年，第一个神经网络被应用于一个现实问题，使用自适应滤波器去除电话线上的回声。
1985:1985年，Terry Sejnowski和Charles Rosenberg发明了神经网络NETtalk它能够在一周内自学正确发音2万个单词。
1997:IBM的深蓝智能计算机赢得了国际象棋专家加里·卡斯帕罗夫的比赛，成为第一台击败人类国际象棋专家的计算机。

21岁的机器学习^圣世纪

2006:2006年，计算机科学家杰弗里·欣顿(Geoffrey Hinton)给神经网络研究起了一个新名字——“神经网络研究”。深度学习，如今，它已成为最热门的技术之一。
2012:2012年，谷歌创建了一个深度神经网络，学会了识别YouTube视频中的人和猫的图像。
2014:2014年，夏博特“尤金Goostman图灵测试澄清道。这是第一个让33%的人类法官相信它不是机器的夏博。
2014:DeepFace是一个由脸书创建的深度神经网络，他们声称它可以像人类一样精确地识别一个人。
2016:AlphaGo击败世界排名第二的选手李sedol在围棋．2017年，它击败了这款游戏的头号玩家克杰．
2017:2017年，Alphabet的Jigsaw团队构建了一个智能系统，能够学习语言网上恶意破坏．它曾经通过阅读不同网站的数百万条评论来学习停止网络喷子。