机器学习

机器学习（Machine Learning，ML）是使用统计（或数学）技术从观察到的数据中构建模型的一个计算机科学领域。

机器学习用计算机程序模拟人的学习能力，从样本数据中学习得到知识和规律，然后用于实际的推断和决策。

从广义上来说，机器学习能够赋予机器学习的能力，使其实现直接编程无法完成的工作。

• 但从实践意义上来说，机器学习是利用数据训练出模型，并使用模型进行预测的一种方法。

训练与预测是机器学习的两个过程：

• 模型则是过程中间的输出结果，训练产生模型，模型指导 预测。

机器学习中的训练与预测过程可以对应到人类的归纳和演绎过程。

机器学习的思想并不复杂，仅仅是对人类在生活中学习成长的一个模拟。

由于机器学习不是基于编程形成的结果，因此它的处理过程不是因果的逻辑，而是通过归纳思想得出的相关性结论。

机器学习应用范围

数据分析与挖掘

• 数据分析与挖掘是机器学习技术和大数据存储技术结合的产物。
• 利用机器学习手段分析海量数据，同时利用数据存储机制实现数据的高效读写。

模式识别

• 计算机视觉、医学图像分析、光学文字识别、自然语言处理、语音识别等。
• 手写识别、生物特征识别、文件分类、搜索引擎等。

虚拟助手

• 虚拟助手（如：Siri）会协助查找信息，搜索相关历史行为。
• 或向其他资源（如电话应用程序）发送命令收集更多信息，以满足人们提出的需求。

交通预测

• GPS导航服务，机器学习能够帮助我们预测交通堵塞。
• 高德地图，腾讯地图等都应用了机器学习技术，识别拥挤路段，规划最优路线。

机器学习与人工智能

机器学习是人工智能最重要的一种实现方法，但机器学习并不是人工智能一开始就采用的方法。

人工智能的发展主要经历了逻辑推理，专家系统，机器学习三个阶段。

机器学习与深度学习

深度学习（Deep Learning，DL）是机器学习的一个重要分支，深度学习和机器学习的关系属于继承和发展的关系。

在很多人工智能问题上，深度学习的方法加上大数据的出现以及计算机运行速度的提高，更突出了人工智能的前景。

比如，自动驾驶汽车，它的实现就需要深度学习的图像识别技术。

• 需要用到卷积神经网络（Convolutional Neural Networks, CNN）来识别马路上的行人、红绿灯等。

神经网络（Neural Networks, NN）

它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。

神经网络有输入层、隐藏层（中间层）以及输出层：

• 其中输入层负责神经网络的输入，输出层负责产生输入的映射。

机器学习中的逻辑回归，可以看作是一层的神经网络，即除了输入层、输出层之外只有一个隐藏层。

• 深度学习，就是指神经网络使用了很多隐藏层。

深度学习的每一层都在学什么？

当你输入一张脸部的照片时，神经网络的第一中间层，可以看成是一个特征探测器或者边缘探测器。

它会去找这张照片的各个边缘，第二中间层又把照片里组成边缘的像素们放在一起看。

然后它可以把被探测到的边缘组合成面部的不同部分，有眼睛、鼻子等。

最后再把这些部分放在一起，比如鼻子眼睛嘴巴，就可以识别或者探测不同的人脸。