机器学习（1）：基本概念

1959， 机器学习被定义为不直接编程的情况下赋予计算机学习能力。

1998年，更科学的被定义为如下：计算机通过处理任务T，并被P进行测量，从而产生了经验E。如果E最终改善了任务T的结果，就成为机器在经验E中进行了学习。

1、监督学习：

我们为算法提供了标准输入和标准答案。然后让让程序对其他情况作出预测。

回归问题

分类问题 支持向量机算法

2、学习理论

比如说研究训练样本量和确定机器学习算法的准确度。

3、无监督学习

不会提供任何标准答案。而是让算法自动寻找输入的相关性。最常见的用法是发现隐藏数据下面 的相关性。

聚类问题

聚类问题可以自动判定图片中像素进行分组，这对计算机视觉研究很有用。比如用于将图片进行分块，然后依据这个结果去重构3D视觉。还有社会网络分析等。

鸡尾酒会问题

在嘈杂的背景噪音中将所需要的人的声音提取出来。

ICA matlab svd（（repmat）

4、强化学习

长时间最连续决策

回报函数：类似区训练一只狗。只需要告诉机器做的决定是会得到奖励还是会得到惩罚。常用于对无人车的训练。这样就可以不用写一些非常复杂的控制程序了。