1机器学习..doc

机器学习 维基百科，自由的百科全书 跳转到： 导航、 搜索 机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。 机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。 目录 [隐藏] 1 定义 2 机器学习相关条目 3 参看 4 参考书目 5 外部链接 [编辑] 定义 机器学习有下面几种定义： “机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。 “机器学习是对能通过经验自动改进的计算机算法的研究”。 “机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。” 一种经常引用的英文定义是：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E. [编辑] 机器学习相关条目 机器学习可以分成下面几种类别： 监督学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。 无监督学习与监督学习相比，训练集没有人为标注的结果。常见的无监督学习算法有聚类。 半监督学习介于监督学习与无监督学习之间。 增强学习通过观察来学习做成如何的动作。每个动作都会对环境有所影响，学习对象根据观察到的周围环境的反馈来做出判断。 具体的机器学习算法有： 构造条件概率：回归分析和统计分类 人工神经网络 决策树(Decision tree) 高斯过程回归 线性判别分析 最近邻居法 感知器 放射 基函数 支持向量机 通过再生模型构造概率密度函数(Probability density function)： 最大期望算法(Expectation-maximization algorithm) graphical model：包括贝叶斯网和Markov随机场 Generative Topographic Mapping 近似推断技术： 马尔可夫链(Markov chain) 蒙特卡罗方法 变分法 最优化(Optimization)：大多数以上方法，直接或者间接使用最优化算法。 [编辑] 参看 人工智能 计算智能 数据挖掘(Data mining) 模式识别(Pattern recognition) 机器学习方面重要出版物（计算机科学） 机器学习方面重要出版物（统计学） 自主控制机器人 归纳逻辑编程 决策树 神经网络 强化学习 贝叶斯学习 最近邻 计算学习理论 [编辑] 参考书目 Bishop, C. M. (1995). 模式识别神经网络，牛津大学出版社。ISBN 0-19-853864-2 Bishop, C. M. (2006). 模式识别与机器学习，Springer。ISBN 978-0-387-31073-2 Richard O. Duda, Peter E. Hart, David G. Stork (2001) 模式分类（第2版）, Wiley, New York, ISBN 0-471-05669-3. MacKay, D. J. C. (2003). 信息理论，推理和学习算法，剑桥大学出版社 ISBN 0-521-64298-1 Mitchell, T. (1997). 机器学习, McGraw Hill. ISBN 0-07-042807-7 Sholom Weiss, Casimir Kulikowski (1991). Computer Systems That Learn, Morgan Kaufmann. ISBN 1-55860-065-5 [编辑] 外部链接 UCI description 机器学习软件Weka Pablo