微课6-1 什么是机器学习.pptx

;;机器学习是使计算机具有智能的根本途径，它涉及到多学科知识，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。

机器学习的历史可以追溯到17世纪，贝叶斯、拉普拉斯关于最小二乘法的推导和马尔可夫链构成了机器学习广泛使用的工具和基础。从1950年图灵提议建立一个学习机器，到2000年初深度学习的实际应用及进展，机器学习有了很大的进展。;机器学习最早的发展可以追溯到英国数学家贝叶斯（1702年~1761年）在1763年发表的贝叶斯定理，这是关于随机事件A和B的条件概率（或边缘概率）的一则数学定理，是机器学习的基本思想。其中，P(A|B)是指在B发生的情况下A发生的可能性，即根据以前的信息寻找最可能发生的事件。;从20世纪50年代研究机器学习以来，不同时期的研究途径和目标并不相同，大体上可以划分为四个阶段。

第一阶段是20世纪50年代中叶到60年代中叶，属于热烈时期。主要研究“有无知识的学习”。这个时期最具代表性的研究是塞缪特的下棋程序。

第二阶段从20世纪60年代中叶到70年代中叶，被称为机器学习的冷静时期。主要研究将各领域的知识植入到系统里，通过机器模拟人类学习的过程。

第三阶段从20世纪70年代中叶到80年代中叶，称为复兴时期。在此期间，人们从学习单个概念扩展到学习多个概念，探索不同的学习策略和方法。;第四阶段起步于20世纪80年代中叶，机器学习的这个新阶段具有如下特点：

（1）机器学习成为新的边缘学科，它综合应用了心理学、生物学、神经生理学、数学、自动化和计算机科学等形成了机器学习理论基础。

（2）融合各种学习方法，且形式多样的

集成学习系统研究正在兴起。特别是连

接符号的学习耦合可以更好地解决连续

性信号处理中知识与技能的获取与求精

问题而受到重视。;（3）机器学习与人工智能各种基础问题的统一性观点正在形成。例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统的组块学习。类比学习与问题求解结合的基于案例方法已成为经验学习的重要方向。

（4）各种学习方法应用范围不断???大。归纳学习知识获取工具在诊断专家系统中广泛使用，连接学习在声图文识别中占优势，分析学习用于设计型专家系统，遗传算法与强化学习在工程控制中有较好应用，与符号系统耦合的深度学习在智能管理与智能机器人运动规划中发挥作用。;机器学习在1997年达到巅峰，当时，IBM深蓝电脑在一场国际象棋比赛中击败了世界冠军加里·卡斯帕罗夫。之后，谷歌开发专注于围棋游戏的AlphaGo（阿尔法狗），尽管围棋被认为过于复杂，2016年AlphaGo终于获得胜利，在一场五局比赛中击败世界冠军李世石。

图5-4AlphaGo在围棋赛中击败李世石;学习是人类具有的一种重要的智能行为。

兰利（1996）的定义是：“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。”

汤姆·米切尔（1997）对信息论中的一些概念有详细的解释，其中定义机器学习时提到：“机器学习是对能通过经验自动改进的计算机算法的研究。”

阿尔帕丁（2004）对机器学习的定义：“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。”

;示例：台风预测系统。假设你要构建一个台风预测系统，你手里有所有以前发生过的台风的数据和这次台风产生前三个月的天气信息。如果要手动构建一个台风预测系统，我们应该

怎么做？

图5-5预测台风;首先是清洗数据，找到数据里面的模式进而查找产生台风的条件。

既可以将模型条件数据（例如气温高于40度，湿度在80-100等）输入到系统里面生成输出，也可以让系统自己通过这些条件数据产生合适的输出。

可以把所有以前的数据输入到系统里面来预测未来是否会有台风。基于系统条件的取值，评估系统性能（正确预测台风的次数）。可以将系统预测结果作为反馈继续多次迭代以上步骤。;机器学习的研究主要分为两个方向。

1.传统机器学习的研究：主要研究学习机制，注重探索模拟人的学习机制，研究内容包括决策树、随机森林、人工神经网络、贝叶斯学习等方面。

2.大数据环境下机器学习的研究：主要研究如何有效利用信息，注重从巨量数据中获取隐藏的、有效的、可理解的知识。大数据的价值体现主要集中在数据的转向以及数据的信息处理能力。在大数据产业发展的今天，对数据的转换、处理、存储等带来了更好的技术支持，实现人类用户与计算机信息之间的协调。;机器学习的核心是“使用算法解析数据，从中学习，然后对世界上的某件事情做出决定或预测”。这意味着，与其显式地编写程序来执行某些任务，不如教计算机学会如何开发一个算法来完成任

务。机器学习有三种主要类型，即监督学习、

非