机器学习概述

机器学习

概念

从绪论我们谈过了，机器学习就是一个构建映射函数的过程。

为什么要使用机器学习？

在早期的工程领域，机器学习也经常称为模式识别（Pattern Recognition，PR），但模式识别更偏向于具体的应用任务，比如光学字符识别、语音识别、人脸识别等。这些任务都有一个共同的特点，那就是所谓的“玄学”，也就是，这些任务，我们可以完成，但是我们无法描述为什么我们可以做到。现实世界的问题往往都是这样，十分复杂，很难通过规则来手工实现。所以才有了机器学习，

那什么是机器学习？

机器学习就是通过算法使得机器能从大量数据中学习规律从而对新的样本做决策。
机器学习有三要素：

• 模型
• 学习准则
• 优化

常见的机器学习有三种，那就是回归、分类、聚类。

接下来我们就以最简单的线性回归为例子来讲解一下机器学习的流程

线性回归

定义

线性回归很好解释，我们从三要素来解释：

模型

机器学习是通过数据学习一个规律，来进行决策，而这个规律其实就是一种函数。我们不知道这个规律是什么，所以我们通过经验假设了一个函数集合，我们称之为假设空间。而同类问题的假设空间通常是一个函数族，我们将这种函数族，称之为模型。而线性模型的假设空间（模型）就是一个参数化的线性函数族。

学习准则

待续。。。。

经验风险最小化

结构风险最小化

最大似然估计

最大后验估计

机器学习的几个关键

标签：NNDL,机器,函数,模型,学习,神经网络,线性,我们
来源： https://www.cnblogs.com/agrinJPG/p/15834333.html