本文为系列文章，内容高度总结为以下三大类：
机器学习背后的数学知识
常用的机器学习算法原理与示例
工程实践与应用案例/经验
每个大类中的内容很多，因此将分为多篇文章介绍给大家。本篇文章为第1篇，主要初步介绍一下机器学习。近期内容如下：
机器学习初步（第1篇）
1、概念定义
2、ML分类
3、算法一览
相关高等数学回顾（第2篇）
1、导数/梯度
2、Taylor展开
3、凸函数
相关概率论回顾（第3篇）
1、古典概率
2、贝叶斯公式
3、常见概率分布
机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构，使之不断改善自身。简单一点说，就是计算机从数据中学习出规律和模式，已应用在新数据上做预测的任务。
学习现象
1、语言、文字的认知识别。
2、图像、场景、自然物体的认知识别
3、规则
例如：下雨天要带雨伞
4、复杂的推理判断能力（智能）
好人与坏人？
真诚与虚伪？
使得计算机具备和人类一样的学习能力
决策
推理
认知
识别
......等智能
给定数据（样本、实例）和一定的学习规则，从数据中获取知识的能力
对于某给定的任务T，在合理的性能度量方案P的前提下，某计算机程序可以自主学习任务T的经验E，随着提供合适、优质、大量的经验E，该程序对于任务T的性能逐步提高。
这里最重要的是积极学习的对象：
任务Task，T，一个或者多个
经验Experience，E
性能Performance，P
即：随着任务的不断执行，经验的累积会带来计算机性能的提升。
学习等于在某项任务上总结与积攒经验
在任务T上提升
用P作为评估标准
基于经验E
例子：中国象棋
任务T：下中国象棋
性能目标P：比赛中击败对手（的百分比）
训练经验E：和自己进行对弈，或者看棋谱学习
机器学习是人工智能的一个分支，我们使用计算机设计一个系统，使它能够根据提供的训练数据，按照一定的方式来学习，随着训练次数的增加，该系统可以在性能上不断学习和改进，通过参数优化的学习模型，能够用于预测相关问题的输出。
监督学习：例如用户点击/购买预测、房价预测
无监督学习：例如邮件/新闻聚类
强化学习：例如动态系统以及机器人控制
监督学习
监督学习算法：训练/学习
监督学习算法：预测
无监督学习
无监督学习算法：训练/学习
无监督学习算法：预测
行为认知启发下的机器学习分支
Agent感知环境，做出动作，根据奖惩状态/feedback做出调整和选择
本系列文章所有内容计划如下：
机器学习与相关数学初步
数理统计与参数估计
矩阵分析与应用
凸优化初步
回归分析与工程应用
特征工程
工作流程与模型调优
最大熵模型与EM算法
推荐系统与应用
聚类算法与应用
决策树随机森林和adaboost
SVM
贝叶斯方法
主题模型
贝叶斯推理采样与变分
人工神经网络
卷积神经网络
循环神经网络与LSTM
Caffe&Tensor Flow&MxNet 简介
贝叶斯网络和HMM
词嵌入word embedding
本文就先介绍到这，大家有什么需求，欢迎给我留言。
联系客服
