机器学习入门（一）基本概念介绍

一、有关机器学习基本概念介绍

1.1 什么是机器学习

①比较老的概念：

        Arthur Samuel(1959):Machine Learning: Field of study that gives computers the ability to learn without being explicitly programmed.

        赋予计算机在没有明确设置下，使计算机具有学习能力的研究领域。

②比较新的概念：

        Tom Mitchell (1998) :Well-posed Learning Problem: A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improveswith experience E.

        计算机程序从经验E中学习，解决问题一些T，进行某一性能衡量P，P所衡量的T的性能随着经验E的增加而提高

举例1：对于一次跳棋游戏来说

E：算法 VS 我 的几万次游戏

T：跳棋游戏

P：与新对手博弈的胜率

举例2：分类邮件系统垃圾问题

1.2 机器学习分类：监督学习与无监督学习

1.2.1 监督学习（Supervised Learning）

1.定义

    给算法一个数据集，其中包含了正确答案，算法的目的是为了给出更多正确的答案。

2.监督学习的分类与例子

①回归问题：预测连续值的输出，例如预测房价。

     上图为不同面积房子的房价，假设你有一个750英尺的房子，他打算卖掉这个房子，他能卖多少钱？

      机器学习能做什么？用线性函数拟合数据（150）或用二次函数或多项式拟合数据（200），或用更高阶的函数拟合（？）。选择一个拟合最合适的值作为预估房价。

②分类问题：预测离散值输出，例如判断肿瘤是良性还是恶性。 

    上图为肿瘤不同大小是否为良性，假设你的对头有一块肿瘤，怎么判断肿瘤是良性还是恶性？（0/1）

1.2.2 无监督学习（Unsupervised Learning）

1.定义

      无监督学习是不知道数据具体的含义，比如给定一些数据但不知道它们具体的信息，对于分类问题无监督学习可以得到多个不同的聚类，从而实现预测的功能。

       举例：

①google中新闻的分类：将新闻分类为军事板块、娱乐板块、要闻板块.....

②社交系统分析：通过聊天记录分析熟悉的人模块