2025年机器学习的应用及发展.pdfVIP

丹青不知老将至，贫贱于我如浮云。——杜甫

机器学习的应用及发展

Vol.1什么是机器学习

机器学习（MachineLearning，ML）是人工智能的核心，涉及统计学、

系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸

多领域，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识

或技能，重新组织已有的知识结构从而不断改善自身的性能。

相对于传统机器学习利用经验改善系统自身的性能，现在的机器学习更

多是利用数据改善系统自身的性能。基于数据的机器学习是现代智能技

术中的重要方法之一，它从观测数据（样本）出发寻找规律，利用这些

规律对未来数据或无法观测的数据进行预测。

Mitchell在1997给出了一个更形式化的定义：假设用P（Performace）

来评估计算机程序在某类任务T（Task）上的性能，若一个程序通过利

用经验E（Experience）在T中任务上获得了性能改善，则我们就说关

于T和P，该程序对E进行了学习。

Vol.2机器学习包含哪些内容

操千曲尔后晓声，观千剑尔后识器。——刘勰

机器学习按照学习形式进行分类，可分为监督学习、无监督学习、半监

督学习、强化学习等。区别在于，监督学习需要提供标注的样本集，无

监督学习不需要提供标注的样本集，半监督学习需要提供少量标注的样

本，而强化学习则需要反馈机制。

1.监督学习

监督学习是利用已标记的有限训练数据集，通过某种学习策略/方法建

立一个模型，实现对新数据/实例的标记（分类）/映射。监督学习要求

训练样本的分类标签已知，分类标签的精确度越高，样本越具有代表性，

学习模型的准确度越高。监督学习在自然语言处理、信息检索、文本挖

掘、手写体辨识、垃圾邮件侦测等领域获得了广泛应用。

监督学习的输入是标注分类标签的样本集，通俗地说，就是给定了一组

标准答案。监督学习从这样给定了分类标签的样本集中学习出一个函数，

当新的数据到来时，就可以根据这个函数预测新数据的分类标签。

在监督学习下，输入数据被称为“训练数据”，每组训练数据有一个明

确的标识或结果，如对反垃圾邮件系统中的“垃圾邮件”“非垃圾邮件”

分类等。

百川东到海，何时复西归?少壮不努力，老大徒伤悲。——汉乐府

在建立预测模型的时候，监督学习建立一个学习过程，将预测结果与“训

练数据”的实际结果进行比较，不断调整预测模型，直到模型的预测结

果达到一个预期的准确率。

最典型的监督学习算法包括回归和分类等。

2.无监督学习

无监督学习是利用无标记的有限数据描述隐藏在未标记数据中的结构/

规律。无监督学习不需要训练样本和人工标注数据，便于压缩数据存储、

减少计算量、提升算法速度，还可以避免正负样本偏移引起的分类错误

问题，主要用于经济预测、异常检测、数据挖掘、图像处理、模式识别

等领域，例如组织大型计算机集群、社交网络分析、市场分割、天文数

据分析等。

无监督学习与监督学习相比，样本集中没有预先标注好的分类标签，即

没有预先给定的标准答案。它没有告诉计算机怎么做，而是让计算机自

己去学习如何对数据进行分类，然后对那些正确分类行为采取某种形式

的激励。

在无监督学习中，数据并不被特别标识，学习模型是为了推断出数据的

一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见

先天下之忧而忧，后天下之乐而乐。——范仲淹

算法包括Apriori算法、KMeans算法、随机森林（randomfores