2.2.1 机器学习

对机器学习的理解可以有多个方向，“全球机器学习之父”汤姆·米切尔将其定义为：假设采用性能度量指标P来评价计算机程序在某项任务T的性能，如果程序基于经验E在P指标上实现了提升，那么对于性能度量P和任务T，就称程序从经验E进行了学习。这个定义较为抽象，实际上随着对机器学习理解的不断深入，可以观察到随着技术突破和应用发展，机器学习的内涵和应用范围也在不断发生变化。

普遍认为，机器学习是人工智能技术的一个重要子方向，其计算处理过程和算法主要通过寻找数据里隐藏的规律进而做出准确回归或分类的识别模式。

机器学习涉及多领域专业知识，涉及线性代数、统计学、概率论、凸优化分析、复杂度计算等多门学科。机器学习基本过程如图2-2所示，其基于已有的数据知识，不断迭代更新模型结构、提升识别准备率，最终达到模拟或者实现人类行为操作的目的。

机器学习算法有多种分类方法，按照拟合函数的不同，可以分成线性模型和非线性模型；按照基础模型的不同，可以分成统计算法和非统计算法；按照有无标签可分为有监督学习、半监督学习和无监督学习。

图2-2 机器学习基本过程