由 dawei 机器学习的概念分析
机器学习作为一个概念，与提高计算机使用算法和神经网络模型学习的能力有关，并能更快更有效地执行各种任务。机器学习或ML通过使用数据或数据集来帮助建立模型来做出决策。它可用于精简组织的决策和执行绩效。这个词是1959年由美国人阿瑟·塞缪尔(ArthurSamuel)首创的，他精通人工智能和电脑游戏。
从概念上讲，机器学习模拟了人类的脑细胞交互模式。在大脑活动中，当神经元相互交流时，这些神经元反过来使人类能够轻松地执行各种功能和任务，而不需要任何其他外部形式的支持。就像人类大脑中的神经元根据情况来解剖每个任务一样，在ML中，数据按照各种算法来预测、分类和表示，解决一个复杂问题并提出解决方案。
机器学习中的神经网络模型也是基于DonaldHebb博士在TheOrganizationofBehavior中的理论。在制定机器学习概念方面的一些显着贡献是基于1950年代IBM的ArthurSamuel的进化工作的逐步实施，他开发了一个计算机程序。该计算机程序涉及alpha-beta剪枝，用于测量跳棋游戏中每一方获胜的机会。紧随其后的是由FrankRosenblatt于1957年开发的定制机器感知器，专为图像识别而构建，导致了MercelloPelillo于1967年开发的用于基本模式识别的最近邻算法。
机器学习算法和模型
机器学习是基于算法和模型的校准功能。简单地说，算法可以称为利用结构化或非结构化数据产生输出的简单过程。同时，机器学习模型表示程序和程序(算法)的结合，即使用程序来达到预期的结果，完成预期的任务。
算法是一个公式，通过它可以做出预测;机器学习模型是实现算法后产生的输出的更广泛的方面。因此，在技术层面上，可以引用机器学习算法导致ML模型，而不是反之。为了理解ML算法的功能，让我们先看看机器学习中的模型。
机器学习模型分为三大类：
- 监督学习：在监督学习中，在不确定的情况下，通过计算证据，从已知的数据集(输入)和已知的数据响应(输出)做出预测，以开发新的数据或数据集作为响应。监督学习进一步使用分类和回归等技术来提出其他机器学习模型。
- 无监督学习：无监督学习包括从输入数据中得出推论，而不从具有内在数据集或结构的隐藏模式中标记出响应。
- 强化学习：在机器学习的强化学习模型中，基于试错法，在复杂环境下做出一系列决策。根据所做决定的结果，奖励和惩罚有助于最终引出回应。
现在为了详细说明机器算法做了什么，让我们以一个基于聚类的机器学习算法K-means为例。考虑了几个聚类，以k为变量。识别每个簇的中心或质心，并在其基础上定义一个数据点。在几次迭代中，数据点和集群被重新识别，一旦定义了所有中心，数据点将与每个集群对齐，并与集群中心相接近。该算法在训练数据上表现出色，有助于分类各种人工智能程序的音频检测和图像分割等复杂任务。
