机器学习
提示：此条目的主题不是机械学习。机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径之一，即以机器学习为手段，解决人工智能中的部分问题。机器学习在近30多年已发展为一门多领域科际集成，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。
机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。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联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法（要防止错误累积）。很多推论问题属于非程序化決策，所以部分的机器学习研究是开发容易处理的近似算法。
机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、游戏和机器人等领域。
定义
机器学习有下面几种定义：
- 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。
- 机器学习是对能通过经验自动改进的计算机算法的研究。
- 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。
计算机科学家Tom M. Mitchell在其著作的Machine Learning一书中定义的机器学习为：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.[1]
分类
机器学习可以分成下面几种类别：
- 监督学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。
监督学习和非监督学习的差别就是训练集目标是否有人为标注。他们都有训练集 且都有输入和输出
算法
具体的机器学习算法有：
参考文献
引用
来源
- 书籍
- Bishop, C. M. (1995). 《模式识别神经网络》，牛津大学出版社. 互联网档案馆），剑桥大学出版社. 编辑
- UCI description （页面存档备份，存于互联网档案馆）
- 机器学习软件Weka （页面存档备份，存于互联网档案馆）
- Pablo Castro主页 （页面存档备份，存于互联网档案馆）
- 机器学习网邮件列表 （页面存档备份，存于互联网档案馆）
- 机器学习和自然语言处理-弗莱堡大学 （页面存档备份，存于互联网档案馆）
- 机器学习和数据挖掘，生物信息学小组，慕尼黑工业大学
- 机器学习和生物计算-Bristol大学 （页面存档备份，存于互联网档案馆）
- 机器学习和应用统计学@微软研究
- 机器学习研究月刊 （页面存档备份，存于互联网档案馆）
- 机器学习期刊 （页面存档备份，存于互联网档案馆）
- 机器学习-Kmining，数据挖掘和KDD科学参考 （页面存档备份，存于互联网档案馆）
- Book "智能系统社区" by Walter Fritz
- 开放目录项目 （页面存档备份，存于互联网档案馆）
- 机器学习论文-CiteSeer （页面存档备份，存于互联网档案馆）
- Orange，使用Python脚本语言的机器学习组件和可视化编程接口 （页面存档备份，存于互联网档案馆）
参见