91欧美在线免费观看,漂亮的人妻中文字幕,国产精品免费在线观看视频,男女一起插插插视频,四虎国产精品久久久久,人妻精品有码一区二区三区,亚洲 欧美 你懂的,亚洲制服一区二区三区在线,高中女厕偷拍一区二区三区

機器學(xué)習(xí)(Machine Learning)，人工智能的核心，是使計算機具有智能的根本途徑，其應(yīng)用遍及人工智能的各個領(lǐng)域，主要使用歸納、綜合而不是演繹的方法研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。機器學(xué)習(xí)是一門多領(lǐng)域的交叉學(xué)科，涉及到概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論和計算機科學(xué)等諸多學(xué)科。

機器學(xué)習(xí)（摘自互聯(lián)網(wǎng)）

機器學(xué)習(xí)計算(Machine Learning Computing)主要設(shè)計和分析一些讓計算機可以自動“學(xué)習(xí)”的算法，是一類從數(shù)據(jù)中自動分析獲得規(guī)律、利用規(guī)律，對未來數(shù)據(jù)進(jìn)行分類、聚類和預(yù)測等的一類算法。因為機器學(xué)習(xí)計算中涉及了大量的統(tǒng)計學(xué)理論，機器學(xué)習(xí)與統(tǒng)計推斷的聯(lián)系尤為密切，也被稱為統(tǒng)計學(xué)習(xí)理論。算法設(shè)計方面，機器學(xué)習(xí)計算關(guān)注可以實現(xiàn)的、行之有效的學(xué)習(xí)算法，很多推論問題具有無程序可循的難度，所以部分的機器學(xué)習(xí)研究是開發(fā)簡單、處理容易的近似算法。
機器學(xué)習(xí)已經(jīng)得到了十分廣泛的應(yīng)用，如數(shù)據(jù)挖掘、計算機視覺、自然語言處理、生物特征識別、搜索引擎、醫(yī)學(xué)診斷、檢測信用卡、證券市場分析、DNA序列測序、語音和手寫識別、戰(zhàn)略游戲和機器人運用等。
從更廣泛的意義上來看，機器學(xué)習(xí)是人工智能的一個子集。人工智能旨在使計算機更加智能化，而機器學(xué)習(xí)已經(jīng)證明如何做到這一點。簡而言之，機器學(xué)習(xí)是人工智能的應(yīng)用，通過應(yīng)用從數(shù)據(jù)中反復(fù)學(xué)習(xí)得到算法，可以改進(jìn)計算機的功能，而無需進(jìn)行明確的編程。
在給出機器學(xué)習(xí)計算各種算法之前，最好是先研究一下什么是機器學(xué)習(xí)和如何對機器學(xué)習(xí)進(jìn)行分類，才能更好的理解和掌握一些具體的機器學(xué)習(xí)算法并將其用于實際問題的計算和處理。
學(xué)習(xí)是人類具有的一種重要智能行為，但究竟什么是學(xué)習(xí)，長期以來卻眾說紛紜。社會學(xué)家、邏輯學(xué)家和心理學(xué)家都各有自己不同的看法和說法。比如，有人定義機器學(xué)習(xí)是一門人工智能的科學(xué)，該領(lǐng)域的主要研究對象是人工智能，特別是如何從經(jīng)驗學(xué)習(xí)中改善具體算法的性能，也有人認(rèn)為機器學(xué)習(xí)是對能通過經(jīng)驗自動改進(jìn)計算機算法的研究，還有人認(rèn)為機器學(xué)習(xí)是用數(shù)據(jù)或以往的經(jīng)驗，以此優(yōu)化計算機程序的性能標(biāo)準(zhǔn)等等。盡管如此，為了便于進(jìn)行討論和推進(jìn)機器學(xué)習(xí)學(xué)科的進(jìn)展，有必要對機器學(xué)習(xí)給出定義，即使這種定義是不完全、不完整和不充分的并存在諸多爭議的。
顧名思義，機器學(xué)習(xí)是研究如何使用機器來模擬人類學(xué)習(xí)活動的一門學(xué)科。稍為嚴(yán)格的提法是：機器學(xué)習(xí)是一門研究機器獲取新知識、新技能并識別現(xiàn)有知識的學(xué)問。這里所說的“機器”，當(dāng)然指的是計算機；現(xiàn)在是電子計算機，將來還可能是中子計算機、光子計算機或神經(jīng)網(wǎng)絡(luò)計算機。
計算機能否象人類一樣能具有學(xué)習(xí)的能力，特別是機器的學(xué)習(xí)能力是否能超過人類，確有許多不同的想法和看法，爭議頗多。持否定意見人的一個主要論據(jù)是：機器是人造的，其性能和動作完全是由設(shè)計者規(guī)定的，因此無論如何其能力也不會超過設(shè)計者本人。這種意見對不具備學(xué)習(xí)能力的計算機來說的確是對的，可是對具備了學(xué)習(xí)能力的計算機就值得考慮了，因為這種計算機的能力通過學(xué)習(xí)和實際應(yīng)用會不斷提高和增強，過了一段時間之后，設(shè)計者本人也不知它的能力達(dá)到了什么水平、是否超過了自己。
對機器學(xué)習(xí)可按照不同的標(biāo)準(zhǔn)和方法進(jìn)行分類，下面簡單介紹兩種常見的分類方法。
（1）基于學(xué)習(xí)策略的分類　？學(xué)習(xí)策略是指學(xué)習(xí)過程中系統(tǒng)所采用的推理策略。一個學(xué)習(xí)系統(tǒng)總是由學(xué)習(xí)和環(huán)境兩部分組成。由環(huán)境（如書本或教師）提供信息，學(xué)習(xí)部分則實現(xiàn)信息轉(zhuǎn)換，用能夠理解的形式記憶下來，并從中獲取有用的信息。學(xué)習(xí)策略的分類標(biāo)準(zhǔn)就是根據(jù)學(xué)生實現(xiàn)信息轉(zhuǎn)換所需的推理多少和難易程度來分類的，依照從簡到繁、從少到多的次序分為以下六種基本類型：
1）機械學(xué)習(xí)？？？？學(xué)習(xí)者無需任何推理或其它的知識轉(zhuǎn)換，直接吸取環(huán)境所提供的信息，主要考慮如何索引存貯知識并加以利用。系統(tǒng)的學(xué)習(xí)方法是直接通過事先編好、構(gòu)造好的程序來學(xué)習(xí)，學(xué)習(xí)者不作任何工作，或者是通過直接接收既定的事實和數(shù)據(jù)進(jìn)行學(xué)習(xí)，對輸入信息不作任何的推理。
2）示教學(xué)習(xí)？？？？學(xué)生從環(huán)境中獲取信息，把知識轉(zhuǎn)換成內(nèi)部可使用的表示形式，并將新的知識和原有知識有機地結(jié)合為一體。所以要求學(xué)生有一定程度的推理能力，但環(huán)境仍要做大量的工作。教師以某種形式提出和組織知識，以使學(xué)生擁有的知識可以不斷的增加。這種學(xué)習(xí)方法和人類社會的學(xué)校教學(xué)方式有點相似，學(xué)習(xí)的任務(wù)就是建立一個系統(tǒng)，使它能接受教導(dǎo)和建議，并有效地存貯和應(yīng)用學(xué)到的知識。目前，不少專家系統(tǒng)在建立知識庫時就使用這種方法以實現(xiàn)知識獲取。
3）演繹學(xué)習(xí)？？？？學(xué)生所用的推理形式為演繹推理，從公理出發(fā)，經(jīng)過邏輯變換推導(dǎo)出結(jié)論。這種推理是"保真"變換和特化的過程，使學(xué)生在推理過程中可以獲取有用的知識。這種學(xué)習(xí)方法包含宏操作學(xué)習(xí)、知識編輯和組塊技術(shù)。
4）類比學(xué)習(xí)？？？？利用源域和目標(biāo)域二個不同領(lǐng)域中的知識相似性，通過類比從源域的知識推導(dǎo)出目標(biāo)域的相應(yīng)知識，從而實現(xiàn)學(xué)習(xí)。類比學(xué)習(xí)系統(tǒng)可以使一個已有的計算機應(yīng)用系統(tǒng)轉(zhuǎn)變?yōu)檫m應(yīng)于新的領(lǐng)域，來完成原先沒有設(shè)計出來的類似功能。類比學(xué)習(xí)需要比上述三種學(xué)習(xí)方式更多的推理，一般要求先從知識源中檢索出可用的知識，再將其轉(zhuǎn)換成新的形式，用到新的狀態(tài)中去。
5）解釋學(xué)習(xí)？？？？學(xué)生根據(jù)教師提供的目標(biāo)概念、該概念的一個例子、領(lǐng)域理論及可操作準(zhǔn)則，首先構(gòu)造一個解釋來說明為什么該例子滿足目標(biāo)概念，然后將解釋推廣為目標(biāo)概念的一個滿足可操作準(zhǔn)則的充分條件。
6）歸納學(xué)習(xí)？？？？歸納學(xué)習(xí)是由教師或環(huán)境提供某些概念的一些實例或反例，讓學(xué)生通過歸納推理得出該概念的一般描述。這種學(xué)習(xí)的推理工作量遠(yuǎn)多于示教學(xué)習(xí)和演繹學(xué)習(xí)，因為環(huán)境并不提供一般性概念描述。歸納學(xué)習(xí)是最基本的、發(fā)展較為成熟的一類學(xué)習(xí)方法，在人工智能領(lǐng)域中已經(jīng)得到廣泛的研究和應(yīng)用。
（2）基于學(xué)習(xí)方式的分類 ？？機器學(xué)習(xí)算法按照學(xué)習(xí)方式的不同可以分為五種類型：有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)和深度學(xué)習(xí)。
1）有監(jiān)督學(xué)習(xí)？？？？輸入的數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，并且每一個數(shù)據(jù)都會帶有標(biāo)簽或類別。通過訓(xùn)練過程建模，模型需要作出預(yù)測，如果預(yù)測出錯會被修正，直到模型輸出準(zhǔn)確的訓(xùn)練結(jié)果，訓(xùn)練過程會一直持續(xù)。常用于解決的問題有分類和回歸，常用的算法包括分類、邏輯回歸和BP神經(jīng)網(wǎng)絡(luò)。
2）無監(jiān)督學(xué)習(xí)？？？？輸入數(shù)據(jù)沒有標(biāo)簽或類別，輸出沒有標(biāo)準(zhǔn)答案，就是一系列的樣本。無監(jiān)督學(xué)習(xí)通過推斷輸入數(shù)據(jù)中的結(jié)構(gòu)建模，可能是提取一般規(guī)律，可以是通過數(shù)學(xué)處理系統(tǒng)以減少冗雜，或者根據(jù)相似性組織數(shù)據(jù)。常用于解決的問題有聚類，降維和關(guān)聯(lián)規(guī)則的學(xué)習(xí)。常用的算法包括了Apriori算法和K均值算法等。
3）半監(jiān)督學(xué)習(xí)？？？？半監(jiān)督學(xué)習(xí)可以看做無監(jiān)督學(xué)習(xí)的延伸，介于有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)二者之間，其輸入數(shù)據(jù)包含標(biāo)簽和不帶標(biāo)簽的樣本。常用于解決的問題是分類和回歸，常用的算法是對所有的無標(biāo)簽的數(shù)據(jù)建模進(jìn)行的預(yù)測算法。
4）強化學(xué)習(xí) ？？？強化學(xué)習(xí)是一個連續(xù)決策的過程，每次預(yù)測都有一定形式的反饋，但是沒有精確的標(biāo)簽或者錯誤信息。
5) 深度學(xué)習(xí)？？？？深度學(xué)習(xí)并不是一種獨立的學(xué)習(xí)方法，其本身也會用到有監(jiān)督和無監(jiān)督的學(xué)習(xí)，由于近幾年該領(lǐng)域發(fā)展迅猛，一些特有的學(xué)習(xí)手段和算法相繼提出，因此將其看作一種單獨的學(xué)習(xí)方法。
深度學(xué)習(xí)是機器學(xué)習(xí)研究中的一個新的領(lǐng)域，目的在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，模仿人腦的機制來解釋數(shù)據(jù)，如圖像、聲音和文本等多媒體數(shù)據(jù)。深度學(xué)習(xí)是無監(jiān)督學(xué)習(xí)的一種，其概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，含有多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示其屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征。基于深信度網(wǎng)絡(luò)提出非監(jiān)督逐層訓(xùn)練算法，為解決深層結(jié)構(gòu)相關(guān)的優(yōu)化難題帶來了希望，隨后提出多層自動編碼器深層結(jié)構(gòu)。此外提出的卷積神經(jīng)網(wǎng)絡(luò)是第一個真正多層結(jié)構(gòu)學(xué)習(xí)算法，它利用空間相對關(guān)系減少參數(shù)數(shù)目以提高訓(xùn)練性能。
目前，機器學(xué)習(xí)領(lǐng)域的研究工作主要圍繞在以下三個方面：
1）任務(wù)研析？？？對一組預(yù)定任務(wù)的學(xué)習(xí)系統(tǒng)進(jìn)行研究，改進(jìn)執(zhí)行性能并提高其有效性；
2）模型研發(fā) ？？研究人類學(xué)習(xí)過程并進(jìn)行計算機模擬和分析，改進(jìn)現(xiàn)有模型，提出新的更加有效的模型；
3）理論分析？？？從理論上探索各種可能的機器學(xué)習(xí)方法，給出獨立于應(yīng)用領(lǐng)域的高效算法。
機器學(xué)習(xí)算法的功能可粗略的分為四大類，即分類、聚類、預(yù)測和降維，可用的機器學(xué)習(xí)算法不下數(shù)百種，包括回歸分析、判別分析、聚類分析、因子分析和主成分分析、貝葉斯分類、決策樹、支持向量機、EM、Adaboost、人工神經(jīng)網(wǎng)絡(luò)及它們之間的一些集成算法等。其中的回歸分析、判別分析、聚類分析等已在統(tǒng)計計算里進(jìn)行了介紹，神經(jīng)網(wǎng)絡(luò)計算也在上一篇文章中進(jìn)行了較多的討論，下面僅對機器學(xué)習(xí)中最常用的一些特有算法，如決策樹算法、支持向量機算法、樸素貝葉斯算法、最大期望算法、KNN算法和K均值算法等，進(jìn)行一些思考性、原理性的簡單介紹。
1）決策樹（Decision Trees）算法
決策樹是一個預(yù)測模型，代表的是對象屬性與對象值之間的一種映射關(guān)系。樹中每個節(jié)點表示某個對象，而每個分叉路徑則代表的某個可能的屬性值，而每個葉結(jié)點則對應(yīng)從根節(jié)點到該葉節(jié)點所經(jīng)歷的路徑所表示的對象的值。決策樹僅有單一輸出，若想有多個輸出，可以建立獨立的決策樹以處理不同輸出。
一個決策樹包含三種類型的節(jié)點，即決策節(jié)點，機會節(jié)點和終結(jié)點。這里，每個決策樹都表述了一種樹型結(jié)構(gòu)，由它的分支來對該類型的對象依靠屬性進(jìn)行分類。每個決策樹可以依靠對源數(shù)據(jù)庫的分割進(jìn)行數(shù)據(jù)測試。這個過程可以遞歸式的對樹進(jìn)行修剪。當(dāng)不能再進(jìn)行分割或一個單獨的類可以被應(yīng)用于某一分支時，遞歸過程完成。
決策樹算法根據(jù)數(shù)據(jù)的屬性采用樹狀結(jié)構(gòu)建立決策模型，常常用來解決分類和預(yù)測問題。常見的算法有分類及回歸樹，ID3，C4.5，隨機森林，多元樣條回歸等實際可用的一些算法。
2）支持向量機（Support Vector Machine，SVM）算法
SVM是一種監(jiān)督式學(xué)習(xí)算法，廣泛用于統(tǒng)計分類以及預(yù)測分析計算中。
SVM屬于一般化線性分類器。這類分類器的特點是他們能夠同時最小化經(jīng)驗誤差與最大化幾何邊緣區(qū)，因此支持向量機也被稱為最大邊緣區(qū)分類器。
SVM的主要思想可以概括為兩點：① 針對線性可分情況進(jìn)行分析，對于線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對樣本的非線性特征進(jìn)行線性分析成為可能；② 基于結(jié)構(gòu)風(fēng)險最小化理論，在特征空間中建構(gòu)最優(yōu)分割超平面，使得學(xué)習(xí)器得到全局最優(yōu)化，并且在整個樣本空間的期望風(fēng)險以某個概率滿足一定的上界。
3）樸素貝葉斯分類(Na？ve Bayesian classification)算法
樸素貝葉斯是一種基于貝葉斯定理與特征條件獨立假設(shè)的概率分類算法，通過對象的先驗概率，利用貝葉斯公式
其中P（A|B）是后驗概率，P（B|A）是似然概率，P（A）是先驗概率，P（B）是預(yù)測先驗概率。
根據(jù)上述公式計算出其后驗概率，即該對象屬于某一類的概率，選擇具有最大后驗概率的類別作為該對象所屬的類別。樸素貝葉斯算法簡單，快速，具有較小的出錯率，對結(jié)果解釋容易理解。
4）最大期望(Expectation–Maximization，EM)算法
在統(tǒng)計計算中，最大期望算法是在概率模型中尋找參數(shù)最大似然估計的算法，其中概率模型依賴于無法觀測的隱藏變量，經(jīng)常用在機器學(xué)習(xí)和計算機視覺的數(shù)據(jù)集聚領(lǐng)域。最大期望算法經(jīng)過兩個步驟交替進(jìn)行計算，第一步是計算期望（E），也就是將隱藏變量象能夠觀測到的一樣包含在內(nèi)從而計算最大似然的期望值；第二步是最大化（M），也就是最大化在E步上找到的最大似然的期望值從而計算參數(shù)的最大似然估計。M步上找到的參數(shù)然后用于另外一個E步計算，這個過程不斷交替進(jìn)行，進(jìn)行改進(jìn)，以尋求漸近最優(yōu)結(jié)果。
5）K最近鄰(k-Nearest Neighbor，KNN)分類算法
KNN分類算法，是一個理論上比較成熟的方法，也是最簡單的機器學(xué)習(xí)算法之一。該方法的思路是：如果一個樣本在特征空間中的k個最相似的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別。KNN算法中，所選擇的鄰居都是已經(jīng)正確分類的對象。該方法在定類決策上只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。
KNN方法雖然從原理上依賴于極限定理，但在類別決策時，只與極少量的相鄰樣本有關(guān)。由于KNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。
KNN算法不僅可以用于分類，還可以用于回歸。通過找出一個樣本的k個最近鄰居，將這些鄰居的屬性的平均值賦給該樣本，就可以得到該樣本的屬性。
K-近鄰算法的思想如下：首先，計算新樣本與訓(xùn)練樣本之間的距離，找到距離最近的K個鄰居；然后，根據(jù)這些鄰居所屬的類別來判定新樣本的類別，如果它們都屬于同一個類別，那么新樣本也屬于這個類；否則，對每個后選類別進(jìn)行評分，按照某種規(guī)則確定新樣本的類別。
6）K-均值（K-means）算法
K-均值算法是輸入聚類個數(shù)k，以及包含 n個數(shù)據(jù)對象的數(shù)據(jù)庫，輸出滿足方差最小標(biāo)準(zhǔn)？k（k數(shù)據(jù)對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高，而不同聚類中的對象相似度較小。
k-means 算法的工作過程說明如下：首先從n個數(shù)據(jù)對象任意選擇 k 個對象作為初始聚類中心，而對于所剩下其它對象，則根據(jù)它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的聚類，然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復(fù)這一過程直到標(biāo)準(zhǔn)測度函數(shù)開始收斂為止。一般都采用均方差作為標(biāo)準(zhǔn)測度函數(shù). k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。
從算法的表現(xiàn)上來說，它并不保證一定得到全局最優(yōu)解，最終解的質(zhì)量很大程度上取決于初始化的分組。由于該算法的速度快，因此常用的一種方法是多次運行k平均算法，選擇最優(yōu)解。
機器學(xué)習(xí)是繼神經(jīng)網(wǎng)絡(luò)系統(tǒng)之后人工智能應(yīng)用的又一重要研究領(lǐng)域，也是人工智能和神經(jīng)網(wǎng)絡(luò)計算的核心研究課題。對機器學(xué)習(xí)的研究及其進(jìn)展，必將促使人工智能和整個科學(xué)技術(shù)的進(jìn)一步發(fā)展。