---

一、什么是机器学习

机器学习：非显著式编程——利用收益函数使计算机自动学习
机器学习的核心是“使用算法解析数据，从中学习，然后对世界上的某件事情做出决定或预测”。这意味着，与其显式地编写程序来执行某些任务，不如教计算机如何开发一个算法来完成任务。

1.引入：机器学习的四个任务

四个机器学习的任务：（前俩者为同一类，划分标准为经验E）

教计算机下棋：强化学习：让计算机通过与环境的互动逐渐强化自己的行为模式

无人驾驶

垃圾邮件的识别：所有的经验E都是由人工采集并输入计算机的，叫做监督学习

人脸识别

2.机器学习的分类

机器学习算法：监督学习 强化学习

监督学习：

传统的监督学习——每一个训练数据都有对应的标签——支持向量机 人工神经网络 深度神经网络

非监督学习 —— 所有训练数据都没有对应的标签

算法包括：聚类、EM算法、主成分分析

半监督学习 —— 训练数据中一部分有标签，一部分没有标签

监督学习—— 分类 和 回归

分类：标签是离散的数值

回归：标签是连续的数值

3.机器学习算法的过程

1、特征提取和特征选择

2、不同的算法对特征空间（训练结果）维度和标准做不同的划分

3、获得不同的结果 探究不同应用场景下应该采取哪种算法，研究新的机器学习算法以便适应新的场景

4.没有免费午餐定理

这个定理表明没有最完美的算法。所有算法都是建立在先验假设的前提下，才有的优劣之分。

二、支持向量机

1.介绍

线性内核 多项式核 高斯径向基函数核
支持向量机，因其英文名为support vector machine，故一般简称SVM，通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

2.线性可分与不可分

线性可分：存在一条直线将不同的训练样本分开（二维样本空间）
线性不可分：不存在一条直线将不同的训练样本分开




给定训练样本集 D = ( x 1 , y 1 ) , ( x 2 , y 2 ) , . . . , ( x m , y m ) ) ) , y i ∈ { − 1 , 1 } ，线性分类器基于训练样本D 在二维空间中找到一个超平面来分开二类样本。当然，这样的超平面有很多。

但我们可以直观感受到，这根红色线代表的超平面抗“扰动”性最好。这个超平面离直线两边的数据的间隔最大，对训练集的数据的局限性或噪声有最大的“容忍”能力。

在这里，这个超平面可以用函数 f ( x ) = w T x + b表示。 当 f ( x ) 等于0的时候，x便是位于超平面
上的点，而 f ( x ) 大于0的点对应 y=1 的数据点， f ( x ) 小于0的点对应y=-1的点。

支持向量机寻找的最优分类直线应满足：

1、该直线分开了两类

2、该直线最大化间隔（margin）

3、该直线处于间隔的中间，到所有支持向量距离相等

3.支持向量机算法

1、解决线性可分问题

2、再将线性可分问题中获得的结论推广到线性不可分情况

4.支持向量机算法的优化

优化即对w进行优化
俩个基本事实