一. 机器学习的概念：

解释1：机器学习是一门通过编程让计算机从数据中进行学习的学科。

解释2：机器学习是一个研究领域，让计算机无须进行明确的编程就具备学习能力。

解释2：一个计算机程序利用经验E来学习任务T，性能是P，如果针对任务T的性能P随着经验E不断增长，则称之为机器学习。

二 . 我理解的过程：

解决一个问题-> 发现规律-> 定义规律-> 完善规律-> 通过计算机语言(编程等) -> 让机器进行同样的思考和学习 ->并解决这个问题

机器学习擅长处理对于传统方法而言太复杂或没有已知算法的问题。

通过机器学习的方法挖掘大量数据，来帮助发现不太明显的规律。

三. 适用于：

1）有解决方案（但解决方案需要进行大量的人工微调或者需要遵循大量的规则）的问题：机器学习算法通常可以简化代码，相比传统的方法有更好的效果

2）传统方法难以解决的复杂问题：最好是机器学习技术也许可以找到解决方案。

3）环境有波动：机器学习算法可以适应新数据。

4）洞察复杂问题和大量数据。

四、常见的机器学习案例+技术

1）分析生产线上的产品图像来对产品进行自动分类

        图像分类问题：视同卷积神经网络（CNN）

2）通过脑部扫描发现肿瘤

        语义分割，图像中的每个像素都需要被分类（当我们想确定肿瘤的确切位置和形状时），也是用CNN.

3）自动分类新闻

        自然语言处理(NLP)，更具体的文本分类，可以使用循环神经网络(RNN)、CNN、或者Transformer.

4）论坛中自动标记恶评

        这也是文本分类，使用自然语言处理(NLP)

5） 自动对对长文作总结

        自然语言处理(NLP)，叫做作文本总结

6）创建一个聊天机器人或者个人助理

        涉及自然语言处理的分支很多，包括自然语言理解(NLU)的问答模块

7）基于很多性能指标来预测公司下一年的收入

        这个是一个回归问题（预测），需要使用回归模型进行处理，例如线性回归或多项式回归，SVM回归，随机深林回归，人工神经网络。如果要考虑过去的性能指标，可以使用RNN、CNN、或者Transformer进行处理。

8）语音命令做出反应

        因为语音命令，要求能处理音频采样。因为音频是很长，很复杂的序列，所以一般使用RNN、CNN\或者transformer进行处理。

9）检测行用卡欺诈

        异样检测。

10）基于客户的购买行为记录来对客户进行分类，对每个客户涉及不同的市场策略。

        聚类问题。

11）用清晰而有洞察路的图表来表示负载的高维数据集

        数据可视化，常涉及降维技术

12）基于以前的够阿米记录给客户推荐可能感兴趣的产品。

        推荐系统。一个办法是将以前的购买记录（和客户的其他信息）输入人工神经网络，从而输出客户最可能购买的商品。这个神经网络是在所有客户的购买记录上训练的。

13）为游戏建造智能机器人

        强化学习（RL），是机器学习的一个分支，在特定的环境中(游戏)，训练代理(机器人)选择在一段时间内将他们的奖励最大化的行动(例如kill掉其他玩家，获得金币奖励)。AlphaGo就是运用RL构建的。

五、机器学习的类型

1）是否在人类的监督下学习：

有监督学习：

无监督学习：

半监督学习：

强化学习：

2）是否可以动态的进行增量学学习：

在线学习：

批量学习：