1樓：尚學堂人工智慧學院
機器學習是一門多學科交叉專業，涵蓋概率論知識，統計學知識，近似理論知識和複雜演算法知識，使用計算機作為工具並致力於真實實時的模擬人類學習方式， 並將現有內容進行知識結構劃分來有效提高學習效率
機器學習是一種能夠賦予機器學習的能力以此讓它完成直接程式設計無法完成的功能的方法！
2樓：小黑不黑
當你在使用電腦的手寫輸入時，裝置識別你的筆跡轉換成你想要的文字並在輸入框顯示，裝置能識別你的筆跡就是依賴於機器學習。
MNIST手寫數字資料集是機器學習框架入門時的必經階段，下面介紹一下手寫數字背後的識別原理。
手寫數字如何被記錄？
上圖是手寫的阿拉伯數字，正常人一眼就能看出哪個是0，哪個是9，但是在不需要人工介入的時候，如何讓機器去做這種識別呢？來看一下0這個數字。
畫素化的數字0
上圖中的0是畫素化的數字，邊緣模糊，影象在記錄邊緣的模糊程度時會採用較低灰度值來表示。
不同灰度的黑色
如果只從黑色單色來看，灰度值通常會有256( )個分層，也就是說黑色會被分成純黑色/深黑色/淺黑色/白色等等256種(就像五彩斑斕的黑)。
將手寫數字0用灰度值過濾後
所以手寫的0在被記錄時，就可以把手寫的數字 0 轉化為看似雜亂的數字儲存起來，下圖中的輸入層就是經過重新排列後的灰度記錄值。
2. 看似雜亂的數字如何被識別得到數字？
讀書的時候我們都遇到過這種找規律的數學題。
大家都知道 ？ 處應該填10，其實這種找規律的題可以換一種問法，比如，「第2598個空應該填什麼？「他背後隱藏的數學知識是，找到自變數 對應的因變數 ，
第2個數字對應的因變數 ；
第3個數字對應的因變數 ；
第2598個數字對應的因變數 ；
自變數與因變數是2倍的關係，這裡2倍的關係就叫函式對應法則。
如果給出2列兩列數字去尋找函式對應法則，就相對困難一些。
上面這兩列數字並不容易一眼就看出對應關係，拿筆比劃幾分鐘，就能列出這樣四列數字：
從第①列對映到第②列比較容易（第②列與第①列差為1），從第②列對映到第③列也相對容易(2倍關係)，而第③列與第④列是平方的關係，這樣一步步，就能找到輸入層X與輸出層f(x)之間的函式對應法則是：
上圖中的第②，③列就認為是輸入層與輸出層之間的隱含層。
手寫數字識別的最終結果，是要將看似雜亂但卻有序的數字儲存，對映至0~9這9個數字，找到輸入與輸出之間的隱含層 ，與尋找兩列數字之間規律的過程相似，但是更加複雜。
並且為了保證輸出結果穩定準確，需要不斷的採用新的樣本進行訓練。
3樓：yaob668
書上的定義：
根據經驗（experience），提公升模型在特定任務（task）上的效能（performance）
其實就是根據大量的資料和答案學習到某種規則。
4樓：sunsys
我的簡單理解機器學習就是以前實驗/統計科學方法中從（實驗/統計）資料集的插值、擬合，逼近，在解函式空間搜尋，找到近似最優解函式--即從資料集中由實驗資料擬合、綜合、總結、歸納出規則、規律、模型函式的方法，
在現代運用上電腦巨大的存貯能力、快速的計算和不斷的正反饋迭代來快速、自動的計算修正、逼近的現代計算機實現方法。
5樓：伊頓王
公司發布的簡介
機器學習入門
6樓：何霖
What is Machine Learning?
1,Term "Machine Learning" coined by Arthur Samuel in 1959.
2,Common definition(by Tom Mitchell):
---Machine Learning is the study of computer algorithms that improve automatically through experience.
3,Subfield of Aritificial Intelligence(AI)
--hottest subfield--reinvigorated interest in AI due to deep learning!
7樓：沒有感情的coder
就以王者榮耀為例寫幾個名詞吧
你思考著走位、發育、、、、、、一步步取得勝利，這叫機器學習；
你看下陣容，就知道如何取得勝利，這叫深度學習；
通過技能與名字去認識英雄，這叫監督學習；
通過技能去認識英雄，這叫非監督學習；
通過部分技能去認識英雄，這叫半監督學習；
不通過技能與名字就認識了英雄，這叫強化學習；
你知道什麼英雄打什麼位置，這叫分類；
你分析陣容，大概率會贏，這叫回歸；
匹配時——練練英雄，這叫訓練集；
排位時——爭取上分，這叫測試集；
根據英雄特性詳細分類，這叫決策樹；
某英雄，又肉、又輸出，根據出裝進一步分類，這叫鄰近取樣；
了解技能屬性遠遠不夠，還需計算血量、考慮時間等，這叫做神經網路；
累積經驗，明確不同位置英雄的輸出比、參團率等引數，這叫線性回歸；
玩中單很Carry，輸；7殺必死等，你不知道why，這叫非線性回歸；
你通過英雄的一些表現推測屬於什麼類，這叫Kmeans；
你通過觀察不同英雄的相似度，來推測他們之間聯絡，這叫做Hierarchical clustering;
8樓：玄銘
試答淺見。
乙個娃娃每次踩坑，大人就跟他說這是坑，小心別踩。下一次，娃娃看到乙個水坑，跟上一次的坑不一樣，於是踩了進去弄髒了鞋子，大人跟他說這是水坑，也是坑，別踩。於是在娃娃的日積月累下，一次次踩過不同尺寸的坑，不同型別的坑，以及深度不一的坑。
終於有一天，娃娃能一眼識別出，這是坑，還是非坑，而且識別率達99.99%。至此學習完畢。
9樓：華為雲開發者社群
機器學習（Machine Learning）是一門涉及統計學、系統辨識、逼近理論、神經網路、優化理論、電腦科學、腦科學等諸多領域的交叉學科，研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能，是人工智慧技術的核心。
機器學習的最終目的就是實現分類，其實機器學習的本質就是乙個非線性的分類器。這裡劃重點，有兩個重點：乙個是非線性，另外乙個分類器。
無論是回歸演算法、聚類演算法，卷積神經網路演算法，這一切都是為了分類而生的。現實世界的許多問題，都可以轉換成分類問題，就拿下圍棋來說，也可以轉換成分類問題，先轉換落子概率問題，最終轉化成輸和贏（分類問題）。
1、線性分類器
要解釋清楚非線性的分類器，那麼就需要從線性分類器講起。剛開始的分類，就是使用簡單的數學公式去分類。例如：
區分自然數中的奇數和偶數，數學公式就是自然數模2，如果結果等於0就是偶數，不等於0就是奇數。後來公式複雜一些，就是Y = wX+b 函式去分類，位於直線上面的一類，位於直線下面的一類。例如下圖：
2、非線性分類器
後來，由於特徵差異非常細微，使用複雜的數學公式也不能分類了，那麼機器學習演算法就誕生了。先用已經打好標籤的資料做樣本，訓練出來乙個模型，使用這個模型去分類。這個模型就是乙個非線性的分類器。
這種型別的分類器就是普通機器學習的分類器，包括回歸、分類、聚類等各種演算法。例如下圖就是乙個典型的非線性分類。
3、深度卷積分類器
最近比較流行的是深度學習，其實也是乙個非線性的分類器。因為普通的機器學習不能有效的區分現實世界裡的物體，那麼就需要更多維度的引數作為輸入引數和多層卷積來訓練模型，通過這個模型來分類，但本質還是為了精細化的分類，在更高緯度裡把相似的物體區分開來。
機器學習按照學習的方式分為：監督學習、非監督學習、強化學習。下圖主要列舉出來常用的監督學習和非監督學習的演算法。
演算法的詳細實現過程，在Scikit_learning都有，並且還有詳細的Example。
scikit-learn.org/stable/
10樓：
機器學習主要研究的是演算法，又稱「學習演算法」。
這種「學習演算法」是令計算機從資料中產生模型的方法。
對於某種問題，我們找到了合適的「學習演算法」，它就能基於資料產生模型。當遇到新的情況時，模型會提供給我們合理的判斷。
11樓：surpriseMthrFkr
機器學習就是讓機器像人一樣能夠智慧型自主地學習，實現方法就是通過人類程式設計教給計算機智慧型自主學習的方法。
普通的簡易的程式，也就只是教給計算機很簡單的邏輯工作，通常不具有多變性，有的計算量小。
而機器學習、人工智慧的工作與目的就是開發一套能夠讓機器和我們自己一樣有近乎智慧型的程式，也就是發現我們人類自己的構造原理，不論是思考方式還是大腦構成原理。
說得風趣一點，人類在試圖充當造人主。
12樓：芒果思維
圖中芒果動力後台系統中進行過的對話，人說的話可以通過人工糾正，來達到芒果動力機械人準確識別的目的。就這樣，芒果動力的AI懂學習。
13樓：公尺小白
假設現在我們剛開發出乙個智慧型程式，TA現在顯然是什麼也不懂，就像剛出生的孩子一樣，怎麼讓TA學會說話、走路、吃飯這些「基本功能」？
以「能聽會說」為例子，想讓孩子聽得懂話，每天在他旁邊念書是沒用的，還得反覆乙個詞乙個詞的教他念，引導他發音。我們之前常常聽到的「語音大資料學習」——並不是把大資料往程式裡直接匯入，而是根據這個程式的設定，把語音按照標準模板，乙個字乙個字，乙個詞乙個詞地生成一套「程式教材」讓機械人學習這套「教材」。
所以我們發現：能供智慧型程式學習的教材其實並不多，而且大多是比較簡單的規則，像通訊行業就沒什麼企業做醫院的智慧型軟體開發，因為這個「教材」很難做。
像圍棋雖然很難，但是規則其實十分簡單，而且各類術語都有了示範教材，做起教材來就簡單很多——也就是說：對智慧型機械人而言，學習的教材難度不是按照我們理解的難易進行區分，而是基礎的規則是否清晰簡單明確。
以上，是我所了解的機器學習的乙個路徑與方法。
14樓：lidangmama00
推薦：機器學習入門好文，強烈推薦 - CSDN部落格
www.aidaxue.com
裡面詳細說明了機器學習相關的內容，以及具體的一些實際案例
所謂的機器學習，機器為什麼可以學習？
桂能 1.所謂學習，就是讓機器像人一樣去做事 2.這裡的做事，需要形式化一下，就是我們首先要定義乙個任務，比如說0 1分類，那麼任務描述起來就是對於乙個東西 樣例 x我們給他乙個標記0或者1。這就是最簡單的任務了，所以如果形式化就是，我們要找乙個對映f x y 其中y屬於 0,1 3.那麼現在所謂機...
機器學習能做什麼？
Liam 機器學習問題分為兩大類 有監督與無監督，無監督是識別模式，有監督可以識別一些模式，如果資料中某類資料聚成一團，用聚類的方式可以識別出來。有監督最很好的乙個比喻其實就是算命，如果你能蒐集到大量人的生平資料，以及這些人的命運。然後，你用這個資料訓練乙個模型。然後來了乙個人，叫你算命，你就把這個...
機器學習中，什麼是基於子空間的學習，為什麼用子空間學習？
li Eta 子空間學習 舉例說明，比如你拿到了一組資料要做分類任務，然而資料分布在乙個高維空間中，不太方便處理，維度太高導致採用的分類模型的複雜度也相應增高，最終導致分類模型容易過擬合。一般情況下，這個問題無法解決，但是，資料中往往存在一些特性使得這個問題又有了可以解決的希望，比如資料其實分布在高...