- Objective: - Breadcrumb: 人工智能 - 机器学习 # 概念阐释 机器学习是人工智能的一个分支，不同于传统的人类编程指令，机器学习是**用数据来训练计算机的方法，机器通过识别数据（input）中的模式来学习**。  - 在训练的过程中，构建一个具有可调节参数的灵活结构，就像一系列的旋钮和调节器，然后通过大量实例输入和目标输出的学习来调整和微调参数的值。 # 实例 - [[Yann LeCun 杨立昆]]的[[CNN 卷积神经网络]]，用于美国邮政手写识别系统。李飞飞在自传中的解释：“不是用离散的规则来描述笔记（1 是直的，2 是弯的，3 是对称的......），而是由机器自己经过学习，并从数据中推断出模式。 # 相关内容 ## 机器学习的分类   ### 特征工程机器学习 - 在传统机器学习产品的特点是**人工[[特征工程 Feature Engineering]]** 占主导地位。例如，图像识别系统需要手动提取边缘和形状特征；信用评分需要专家选择变量。随着深度学习的普及，这些应用逐渐转向自动化的端到端方法，例如使用卷积神经网络（CNN）进行图像识别，或使用 Transformer 模型处理自然语言任务。 - [[Supervised learning 监督学习]] - [[unsupervised learning 无监督学习]] - 半监督学习 - [[RL 强化学习]] ### [[特征学习 Feature learning]]机器学习 - 深度学习是完全[[端到端]]的机器学习，没有人为干预 - [[Deep Learning 深度学习]] ## 常见的机器学习模型 - [[ANN 人工神经网络]] - ==[[Deep Learning 深度学习]]== - 决策树 - [[perceptron 感知器]] - [[SVM 支持向量机]] - [[Cluster analysis 聚类分析]] ## 模型和算法的区别 - **模型**定义了数据的结构和表示方式。例如，[[ANN 人工神经网络]]模型定义了输入层、隐藏层和输出层，以及它们之间的连接方式。 - **算法**是训练模型的具体方法或过程。它包括了如何调整模型的参数，使其在给定的数据上表现得更好。例如[[gradient descent 梯度下降]]算法。 ## 和统计学的关系 > 因为学习算法中涉及了大量的统计学理论，机器学习与[推断统计学](https://zh.wikipedia.org/wiki/%E6%8E%A8%E6%96%AD%E7%BB%9F%E8%AE%A1%E5%AD%A6 "推断统计学")联系尤为密切，也被称为**统计学习理论**。 ## 与[[专家系统]]的区别 - 通过明确编程 vs 从事例中发现模式 - 不是告诉机器怎么做，而是让机器去学习 # 参考资料 - [机器学习 - Wikipedia](https://en.wikipedia.org/wiki/Machine_learning#Models) - [[AI 关系图.excalidraw]]