一、什麼是機器學習？

學習能力是人類智慧的根本特徵。

機器學習是研究如何“利用經驗來改善計算機系統自身的效能”的學科----From T. M. Mitchell. Machine Learning . New York: McGraw-Hill, 1997.

機器學習是研究計算機怎樣模擬或實現人類的學習行為， 以獲取新的知識或技能，重新組織已有的知識結構使不斷改善自身的效能---來自《百度百科》。

二、機器學習與人類學習

機器學習與人類學習

三、機器學習與深度學習

深度學習：近年來在影象、語音等領域獲得應用，效果提升顯著。

深度學習是機器學習的一個分支，可以理解為特徵學習(feature learning)或者說表示學習(representation learning)的一種方法。

四、機器學習基本過程

表示：將資料物件進行特徵 (feature)化表示；

訓練：給定一個數據樣本集，從中學習出規律（模型）目標，該規律不僅適用於訓練資料，也適 用於未知資料(稱為泛化能力)；

測試：對於一個新的資料樣本，利用學到的模型進行預測。

五、機器學習方法分類機械學習（Rote learning）：學習者無需任何推理或其它的知識轉換 ，直接吸取環境所提供的資訊。如塞繆爾的跳棋程式。示教學習（Learning from instruction）：學生從環境（教師或其它信 息源如教科書等）獲取資訊，把知識轉換成內部可使用的表示形式，並將新的知識和原有知識有機地結合為一體。類比學習（Learning by analogy）：利用二個不同領域（源域、目標域）中的知識相似性，可以透過類比，從源域的知識（包括相似的特徵和其它性質）推匯出目標域的相應知識，從而實現學習。例如，一個從未開過貨車的司機，只要他有開小車的知識就可完成開貨車的任務。歸納學習（Learning from induction）：教師或環境提供某概念的一些例項或反例，讓學生透過歸納推理得出該概念的一般描述。

歸納學習方法分類

監督學習(Supervised Learning)：也稱為有監督學習，是從標記(label)或者說標註的訓練資料(或者說樣本)中來進行推斷的機器學習任務。如分類、迴歸。非監督學習(Unsupervised Learning)：也稱無監督學習，它的問題是，在未標記的資料中，試圖找到隱藏的結構。如聚類、密度估計。強化學習(Reinforcement Learning)：強化學習是機器學習中的一個領域，強調如何基於環境而行動，以取得最大化的預期利益。

半監督學習：學習器透過對有少量帶標記的樣本和大量未標記的樣本的學習，建立模型用於預測未見樣本的標記。

**********