机器怎么学习？
处理某个特定的任务，一大量的经验为基础
对任务完成的好坏，给予一定的评判标准
通过分析经验数据，任务完成得更好了
机器学习的定义
机器学习(Machine Learning,ML)主要研究计算机系统对于特定任务的性能，逐步进行改善的算法和统计模型。
通过输入海量训练数据对模型进行训练，使模型掌握数据所蕴含的潜在规律，进而对新输入的数据进行准确的分析或预测。
是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸优化、算法复杂度理论等多门学科。专门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使之不断改善自身的性能。
（最优化问题的求解：找到一个目标，让目标函数取到最大值或最小值，逐渐逼近最优解，这个就是取得最优模型的过程。）
海量数据->提炼规律->预测未来
人工智能、机器学习月深度学习
人工智能：【让机器表现出像人类一样的智能。】它是一门让机器表现出人类智能的学科，旨在使机器能够执行诸如推理、学习、规划、决策和语言理解等任务。
机器学习：人工智能的一个子领域，强调通过数据训练模型，使其在没有明确编程规则的情况下，学会从数据中识别模式并预测或决策。
深度学习：机器学习的一个子领域，主要关注使用多层神经网络（深度神经网络）来从大量数据中提取特征和进行复杂任务处理。
参数（Parameter）
模型通过训练学习到的值，例如线性回归中的权重和偏置(常数项)。
超参数（Hyper Parameter）
由用户直接设置的参数，不能通过训练自动学习，例如学习率、正则化系数等。
模型（Model）
一个机器学习算法与训练后的参数集合，用于进行预测或分类。【数学表达式：根据输入得到输出】
标签（Label）/目标值
监督学习中每个样本的结果信息，也称为目标值（target）。【标准答案】
数据集（Data Set）
多条记录的集合。
数据集可划分成训练集、验证集和测试集。
- 训练集（Training Set）：用于训练模型的数据。
- 验证集（Validation Set）：用于调节超参数的数据。
- 测试集（Test Set）：用于评估模型性能的数据。
样本（Sample）
数据集中的一条记录是关于一个事件或对象的描述，称为一个样本。【每一条数据】
特征（Feature）/属性（Attribute）
数据集中一列反映事件或对象在某方面的表现或性质的事项，称为特征或属性。【基本信息】
特征向量（Feature Vector）
将样本的所有特征表示为向量的形式，输入到模型中。【与预测标签有关的特征的组合】
机器学习三要素
机器学习的方法一般主要由三部分构成：模型、策略和算法
机器学习的方法=模型+策略+算法
模型（model）：总结数据的内在规律，用数学语言描述的参数系统
策略（strategy）:选取最优模型的评价准则
算法（algorithm）：选取最优模型的具体方法
机器学习方法分类
通用分类：按照有无监督，机器学习可以分为有监督学习、无监督学习和半监督学习，除此之外还有强化学习。
- 有监督学习：提供数据并提供数据对应结果的机器学习过程。【通过带标签的数据学习，从而能够预测未知数据的标签】
- 无监督学习：提供数据并且不提供对应结果的机器学习过程。【学习数据的内在结构或模式，通常用于数据探索或模式发现】
- 半监督学习：结合少量有标签数据和大量无标签数据，自动利用无标签数据来提升学习性能。
- 强化学习：通过与环境交互并且获取延迟返回而改进行为的学习过程。【行为树学习思路】
监督学习(Supervised Learning)算法构建了包括输入和所需输出的一组数据的数学模型。这些数据称为训练数据，由一组训练样本组成。
监督学习主要包括分类（离散）和回归（连续）。
当输出被限制为有限的一组值（离散数值）时使用分类算法；当输出可以具有有限范围内的任何数值（连续数值）时使用回归算法。
相似度学习是和回归和分类都密切相关的一类监督机器学习，它的目表是使用相似性函数从样本中学习，这个函数可以度量两个对象直接的相似度或关联度。它在排名、推荐系统、视觉识别跟踪、人脸识别等方面有很好的应用场景。
无监督学习（Unsupervised）算法采用一组仅包含输入的数据，通过寻找数据中的内在结构来进行样本点的分组或聚类。
算法从没有被标记或分类的测试数据中学习。
无监督学习算法不是响应反馈，而是要识别数据中的共性特征；对于一个新数据，可以通过判断其中是否存在这种特征来做出相应的反馈。
无监督学习的核心应用是统计学中的密度估计和聚类分析。
按模型分类：根据模型性质，可以分为概率模型/非概率模型，线性/非线性模型等。
按学习技巧分类：根据算法基于的技巧，可以分为贝叶斯学习、核方法等。
监督学习建模流程
收集数据->数据清洗->特征工程->选择算法->模型训练->模型评估->模型优化->模型部署
收集数据：收集用于训练和测试的数据集，确保数据代表了实际问题的不同方面。
数据清洗：对数据进行清洗，去掉一些脏数据和不可用数据。
特征工程：对数据进行转换和格式化，确保它适合于机器学习模型训练。
选择算法：选择适合任务类型和数据特征的机器学习算法。
模型训练：使用训练数据集来训练模型，让模型从数据中学习规律或模式。
模型评估：使用测试数据集评估模型的性能，确定其是否达到了预期的目标。
模型优化：在确保模型具有更好性能的基础上，进一步提高模型的效果。
模型部署：将训练好的模型部署到生产环境中，并实时监控其表现。
