• 基本概念
• 机器学习分类
  • 按照任务性质划分
• 机器学习算法的过程
  • 1. 特征提取（Feature Extraction）
  • 2. 特征的选择（Feature Selection）
  • 3. 基于选择的特征构建算法

基本概念

计算机学习能力， 不是通过显著式编程获得。
一个计算机程序可称为可以学习，是指它能够对某个任务T和某个性能指标P（花的识别率），从经验E（训练样本）中学习。这种学习的特点是，他在T上的被P所衡量的性能，会随着经验E的增加而提高。

机器学习分类

按照任务性质划分

• 监督学习(Supervised Learning)：所有的经验E都是由人工采集并输入计算机的

  根据数据标签的存在与否，将监督学习分为：

  • 传统监督学习（Traditional Supervised Learning）
    • 支持向量机（Support Vector Machine）
    • 人工神经网络（Neural Network）
    • 深度神经网路（Deep Neural Networks）
  • 非监督学习（Unsupervised Learning）（假设同一类数据在空间中距离更近）
    • 聚类（Clustering）
    • EM算法（Expectation-Maximization algorithm）
    • 主成分分析（Principle Component Analysis）
  • 半监督学习（Semi-supervised Learning）

  ---

  根据标签的固有属性，将监督学习分为：

  • 分类（Classification）标签是离散的
  • 回归（Regression）房价预测

• 强化学习(Reinforcement Learning)：最大化收益函数（Reward function）

机器学习算法的过程

基于SVM的尿沉渣红、白细胞识别

1. 特征提取（Feature Extraction）

• 通过训练样本获得，对机器学习有帮助的多个维度数据。

2. 特征的选择（Feature Selection）

红细胞和白细胞每个样例对应的特征值。

3. 基于选择的特征构建算法

• 在只有两个特征的平面上，新样本落在线左边红细胞，右边白细胞
• 本例中特征空间维度是二维的，机器学习过程是设计一个算法画出一条曲线

在特征空间上距离接近的样本，他们术语同一个类别的概率会genggao