什么是机器学习通俗易懂解释

一、什么是机器学习？

机器学习(MachineLearning,ML)是一门多域交叉学科，涉及概率论、统计学、近论、凸分析、算法复杂度理论等多门学科。 专门研究计算机怎样模拟或实现类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

它是工智能的核心，是使计算机具有智能的根本途径，其应用遍及工智能的各个域，它主要使用归纳、综合而不是演绎。

二、阐述机器学习的基本概念

机器学习(MachineLearning,ML)是一门多域交叉学科，涉及概率论、统计学、近论、凸分析、算法复杂度理论等多门学科。 专门研究计算机怎样模拟或实现类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

机器学习是工智能的核心，是使计算机具有智能的根本途径，其应用遍及工智能的各个域，它主要使用归纳、综合而不是演绎。

机器学习的方法种类

1、基于学习策略的分类

（1）模拟脑的机器学习

符号学习：模拟脑的宏现心理级学习过程，以认知心理学原理为基础，以符号数据为输入，以符号运算为方法，用推理过程在图或状态空间中搜索，学习的目标为概念或规则等。 符号学习的典型方法有记忆学习、示例学习、演绎学习.类比学习、解释学习等。

神经网络学习（或连接学习）：模拟脑的微观生理级学习过程，以脑和神经科学原理为基础，以工神经网络为函数结构模型，以数值数据为输，以数值运算为方法，用迭代过程在系数向量空间中搜索，学习的目标为函数。 典型的连接学习有权值修正学习、拓扑结构学习。

（2）直接采用数学方法的机器学习：主要有统计机器学习。

统计机器学习是基于对数据的初步认识以及学习目的的分析，选择合适的数学模型，拟定超参数，并输入样本数据，依据一定的策略，运用合适的学习算法对模型进行训练，最后运用训练好的模型对数据进行分析预测。

2、基于学习方法的分类

（1）归纳学习

符号归纳学习：典型的符号归纳学习有示例学习、决策树学习。

函数归纳学习（学习）：典型的函数归纳学习有神经网络学习、示例学习、学习、统计学习。

（2）演绎学习

（3）类比学习：典型的类比学习有例（范例）学习。

（4）分析学习：典型的分析学习有解释学习、宏作学习。

3、基于学习方式的分类

（1）监督学习（有导师学习）：输入数据中有导师信号，以概率函数、代数函数或工神经网络为基函数模型，采用迭代计算方法，学习结果为函数。

（2）无监督学习（无导师学习）：输入数据中无导师信号，采用聚类方法，学习结果为类别。 典型的无导师学习有学习、聚类、竞争学习等。

（3）强化学习（增强学习）：以环境反馈（/惩信号）作为输入，以统计和动态规划技术为指导的一种学习方法。

4、基于数据形式的分类

（1）结构化学习：以结构化数据为输，以数值计算或符号推演为方法。 典型的结构化学习有神经网络学习、统计学习、决策树学习、规则学习。

（2）非结构化学习：以非结构化数据为输，典型的非结构化学习有类比学习例学习、解释学习、文本掘、图像掘、Web掘等。

5、基于学习目标的分类

（1）概念学习：学习的目标和结果为概念，或者说是为了获得概念的学习。 典型的概念学习主要有示例学习。

（2）规则学习：学习的目标和结果为规则，或者为了获得规则的学习。 典型规则学习主要有决策树学习。

（3）函数学习：学习的目标和结果为函数，或者说是为了获得函数的学习。 典型函数学习主要有神经网络学习。

（4）类别学习：学习的目标和结果为对象类，或者说是为了获得类别的学习。 典型类别学习主要有聚类分析。

（5）贝叶斯网络学习：学习的目标和结果是贝叶斯网络，或者说是为了获得贝叶斯网络的一种学习。 其又可分为结构学习和多数学习。