機器學習入門：概念原理及經常使用算法

機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行爲，以獲取新的知識或技能，從新組織已有的知識結構使之不斷改善自身的性能。
它是人工智能的核心，是使計算機具備智能的根本途徑，其應用遍佈人工智能的各個領域，它主要使用概括、綜合而不是演繹。

課程連接：機器學習入門：概念原理及經常使用算法

本課程主要講解機器學習的概念、原理和應用場景，以及機器學習的經常使用算法，好比有監督學習、無監督學習、線性迴歸等。

意義：

學習是人類具備的一種重要智能行爲，但究竟什麼是學習，長期以來卻衆說紛紜。社會學家、邏輯學家和心理學家都各有其不一樣的見解。
 
好比，Langley（1996) 定義的機器學習是「機器學習是一門人工智能的科學，該領域的主要研究對象是人工智能，特別是如何在經驗學習中改善具體算法的性能」。（Machine learning is a science of the artificial. The field's main objects of study are artifacts, specifically algorithms that improve their performance with experience.'）
 
Tom Mitchell的機器學習(1997)對信息論中的一些概念有詳細的解釋,其中定義機器學習時提到，「機器學習是對能經過經驗自動改進的計算機算法的研究」。（Machine Learning is the study of computer algorithms that improve automatically through experience.）
 
Alpaydin（2004）同時提出本身對機器學習的定義，「機器學習是用數據或以往的經驗，以此優化計算機程序的性能標準。」（Machine learning is programming computers to optimize a performance criterion using example data or past experience.）
 
儘管如此，爲了便於進行討論和估計學科的進展，有必要對機器學習給出定義，即便這種定義是不徹底的和不充分的。顧名思義， 機器學習是研究如何使用機器來模擬人類學習活動的一門學科。稍爲嚴格的提法是：機器學習是一門研究機器獲取新知識和新技能，並識別現有知識的學問。這裏所說的「機器」，指的就是計算機，電子計算機，中子計算機、光子計算機或神經計算機等等。
 
機器可否象人類同樣能具備學習能力呢？1959年美國的塞繆爾(Samuel)設計了一個下棋程序，這個程序具備學習能力，它能夠在不斷的對弈中改善本身的棋藝。4年後，這個程序打敗了設計者本人。又過了3年，這個程序打敗了美國一個保持8年之久的常勝不敗的冠軍。這個程序向人們展現了機器學習的能力，提出了許多使人深思的社會問題與哲學問題。
 
機器的能力是否能超過人的，不少持否認意見的人的一個主要論據是：機器是人造的，其性能和動做徹底是由設計者規定的，所以不管如何其能力也不會超過設計者本人。這種意見對不具有學習能力的機器來講的確是對的，但是對具有學習能力的機器就值得考慮了，由於這種機器的能力在應用中不斷地提升，過一段時間以後，設計者本人也不知它的能力到了何種水平。
 
機器學習有下面幾種定義： 「機器學習是一門人工智能的科學，該領域的主要研究對象是人工智能，特別是如何在經驗學習中改善具體算法的性能」。 「機器學習是對能經過經驗自動改進的計算機算法的研究」。 「機器學習是用數據或以往的經驗，以此優化計算機程序的性能標準。」 一種常常引用的英文定義是：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.
 
機器學習已經有了十分普遍的應用，例如：數據挖掘、計算機視覺、天然語言處理、生物特徵識別、搜索引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略遊戲和機器人運用。

講師介紹：

西亭，螞蟻金服大規模機器學習高級算法專家

課程目標：

•  掌握機器學習的概念、原理和算法

適合人羣：

•  大數據開發者

更多精品課程：

阿里雲大學官網（阿里雲大學 - 官方網站，雲生態下的創新人才工場）