机器学习基本知识(1)

目录

1、概述

2、基础理论

2.1 特征域

2.2 样本表示方式

3、机器学习三大构成要素

3.1 模型结构

3.2 评估准则

3.3 运算方法

---

1、研究总体概述

1）.机器学习的研究对象为具备统计规律性的数据集。
2）.依据任务类型，机器学习可划分为以下几类：
监督学习任务：通过已标注的训练样本对模型进行训练。主要包括分类任务、回归任务以及序列标注任务。
无监督学习任务：利用未标注的训练数据对模型进行训练。主要包括聚类任务和降维任务。
半监督学习任务：结合大量未标注数据与少量标注数据共同参与模型训练过程。
强化学习任务：借助系统与环境之间的多次交互所产生的知识来训练模型。
3）按照算法类型划分，机器学习可分为以下两类：
传统统计学习：此类方法依赖于数学模型构建，如支持向量机、逻辑回归以及决策树等算法均属于此类。这类算法以严谨的数学推导为基础，具备良好的可解释性，运算效率较高，并适用于小规模的数据集。
深度学习：该类方法以神经网络结构为核心，涵盖前馈神经网络、卷积神经网络以及递归神经网络等技术形式。这类算法在可解释性方面存在不足，且高度依赖于数据规模的大小；然而，在语音处理、图像识别及自然语言处理等领域中取得了显著成效。
4）“没有免费的午餐”定理（No Free Lunch Theor