机器学习概要

参考：https://blog.csdn.net/weixin_42301220/article/details/12394052

1.机器学习概述

机器学习是一种人工智能的分支领域，它致力于研究如何使计算机系统通过学习数据和经验来改善其性能。

机器学习的目标是让计算机系统具有自我学习的能力，从而能够自动地识别模式、预测趋势、进行决策并执行任务。

机器学习可以分为监督学习、无监督学习和强化学习三种主要类型。

在监督学习中，系统通过已知的输入和输出数据来学习模式，并根据这些模式来预测新的输出。在无监督学习中，系统从未标记的数据中自动发现模式和关联。在强化学习中，系统通过与环境互动来学习如何做出最优的决策。

机器学习在各种领域都有广泛的应用，包括自然语言处理、计算机视觉、医疗诊断、金融预测等。随着数据量的不断增加和计算能力的提升，机器学习技术正变得越来越重要和普遍。

2.机器学习相关技术

监督学习（Supervised Learning）：监督学习是最常见的机器学习方法之一，它通过已知的输入和输出数据来训练模型，从而使得模型能够预测新的输出。常见的监督学习算法包括线性回归、逻辑回归、支持向量机（SVM）、决策树等。

无监督学习（Unsupervised Learning）：无监督学习是一种从未标记数据中自动发现模式和关联的方法。常见的无监督学习算法包括聚类、关联规则挖掘、主成分分析（PCA）等。

半监督学习（Semi-supervised Learning）：训练数据中只有部分样本有标签信息，模型利用有标签和无标签数据进行学习。

强化学习（Reinforcement Learning）：强化学习是一种通过与环境互动来学习如何做出最优决策的方法。在强化学习中，系统根据执行的动作和环境的反馈来不断调整策略，以获得最大的奖励。

深度学习（Deep Learning）：深度学习是一种基于人工神经网络的机器学习方法，它通过多层次的神经网络结构来学习复杂的模式和特征。深度学习在计算机视觉、自然语言处理等领域取得了很大的成功。

迁移学习（Transfer Learning）：迁移学习是一种利用已有知识来加速新任务学习的方法。通过将已训练好的模型或特征迁移到新任务中，可以减少训练时间和数据需求。

集成学习（Ensemble Learning）：集成学习是一种将多个基本模型集成在一起来提高预测性能的方法。常见的集成学习算法包括随机森林、梯度提升树等。

3.机器学习术语

数据集（data set）：所有记录的集合为。

样本（Sample）：数据集中的一个单独的数据点，通常表示为一个向量。

训练集（trainning set）：所有训练样本的集合。

测试集（test set）：所有测试样本的集合。

特征（Feature）：样本中的属性或变量，用来描述样本的特点。

特征向量（feature vector）：特征向量是一个包含了样本特征值的向量，每个元素对应一个特征。在特征向量中，每个特征可以是数值、类别、文本或其他形式的数据。

标签（Label）：监督学习中的输出变量，用来表示样本的类别或结果。

模型（Model）：根据训练数据学习到的用来预测未知数据的规律或函数。

训练（Training）：使用标记的训练数据来学习模型的过程。

测试（Testing）：用来评估模型性能的未标记数据集。

分类（classification）：预测值为离散值的问题，是监督学习的范畴。

回归（regression）：预测值为连续值的问题，是监督学习的范畴。

聚类（Clustering）：是一种无监督学习方法，旨在将数据集中的样本分成具有相似特征的组或簇。聚类算法试图发现数据中的内在结构，将数据点划分为不同的类别，使得同一类别内的数据点彼此相似，而不同类别之间的数据点具有明显的差异。

损失函数（Loss Function）：衡量模型预测值与真实值之间差距的函数。

优化算法（Optimization Algorithm）：用来调整模型参数以最小化损失函数的算法，如梯度下降。

泛化（Generalization）：模型对未见过的数据的预测能力，从特殊到一般。

欠拟合（Underfitting）：模型无法很好地拟合训练数据，表现不够复杂或灵活。

过拟合（Overfitting）：模型在训练数据上表现很好，但在测试数据上表现较差的现象。