什么是机器学习？

机器学习 (ML) 已由多人以相似（或相关）的方式定义。

Tom Mitchell 在他的《机器学习》 （1997）一书中定义了一个机器学习算法/程序（或机器学习器）如下。

据说计算机程序可以从经验中学习 $E$关于某类任务$T$和绩效衡量$P$, 如果它在任务中的表现$T$，如测量$P$, 随着经验的提高$E$.

这是一个相当合理的定义，因为它描述了梯度下降、Q-learning 等算法。

在他的《机器学习：概率视角》（2012 年）一书中，Kevin P. Murphy 将机器学习领域/领域定义如下。

一组方法，可以自动检测数据中的模式，然后使用发现的模式来预测未来的数据，或者在不确定的情况下执行其他类型的决策（例如计划如何收集更多数据！）

在不提及算法或领域的情况下，Shai Shalev-Shwartz 和 Shai Ben-David将机器学习定义如下

机器学习一词是指自动检测数据中有意义的模式。

在所有这些定义中，核心概念是数据或经验。因此，任何自动检测数据中的模式（任何形式，例如文本、数字或分类）以解决某些任务/问题（通常涉及更多数据）的算法都是（机器）学习算法。

这个定义的棘手部分，经常导致很多关于 ML 是什么或可以做什么的误解，可能是自动的：这并不意味着学习算法是完全自主的或独立于人类的，因为人类，在大多数情况下在这种情况下，仍然需要定义一个性能度量（和其他参数，包括学习算法本身），以指导学习算法朝着正在解决的问题的一组解决方案。

作为一个领域，ML 可以定义为 ML 算法的研究和应用（由 Mitchell 的定义定义）。

子类别

Murphy 和许多其他人经常将机器学习分为三个主要子类别

• 监督学习（或预测），目标是从输入中学习映射$\textbf{x}$输出$y$，给定一组带标签的输入-输出对

• 无监督学习（或描述性），目标是在数据中找到“有趣的模式”

• 强化学习，这对于学习在偶尔给予奖励或惩罚信号时如何行动或行为很有用

但是，机器学习技术还有许多其他可能的子类别（或分类法），例如

• 深度学习（即使用神经网络来逼近函数和相关的学习算法，例如梯度下降）或
• 概率机器学习（提供不确定性估计的机器学习技术）
• 弱监督学习（即标签信息可能不完全准确的 SL）
• 在线学习（即一次从单个数据点学习，而不是从多个数据点的数据集中学习）

这些子类别也可以组合起来。例如，深度学习可以在线或离线进行。

相关领域

还有一个相关领域称为计算（或统计）学习理论，它涉及学习理论（从计算和统计的角度来看）。因此，在这个领域中，我们对诸如“我们需要多少样本才能近似计算具有一定误差的函数？”之类的问题感兴趣。

当然，鉴于机器学习是一组数据或经验驱动的算法和技术，人们可能想知道机器学习和统计之间的区别是什么。事实上，在很多情况下，它们非常相似，ML 采用了很多统计概念，你甚至可能在网上看到机器学习只是美化了的统计。ML 和统计通常解决相同的问题，但从不同的角度或略有不同的方法（并且术语可能会从一个领域到另一个领域略有变化）。如果您对它们之间的差异的更详细解释感兴趣，您可以阅读Danilo Bzdok 等人的Statistics vs machine learning (2018)。

机器学习有什么用？

ML 可以潜在地用于（至少部分地）自动化涉及数据和模式识别的任务，这些任务以前只能由人类执行（例如，从一种人类语言（如英语）翻译成另一种人类语言（如意大利语））。但是，机器学习不能自动化所有任务：例如，它不能从数据中推断出因果关系（这通常必须由人类完成），除非您将因果推断作为机器学习的一部分。如果你对因果推理感兴趣，你可以看看 Judea Pearl 的论文Causal Inference（图灵奖，表彰他在因果推理方面的工作！）。

这是 Tom Mitchel (1997) 的定义：

如果计算机程序在 T 上的性能（由 P 衡量）随着经验 E 的提高而提高，则可以说计算机程序从经验 E 中学习某些任务 T 和某些性能度量 P。

因此，程序员向计算机提供一些指令/规则，以便它可以自己学习如何从给定的示例中解决问题。

在某些任务中，计算机可以比人类执行得更好。例如，Dota 2 机器人（由 OpenAI 制造）击败了世界冠军。

通过机器学习，许多案例可以自动化。他们还能够通过不时学习给定的数据来改进解决方案。它可以很好地处理和分析大数据。

机器学习已经在许多领域得到应用，例如谷歌翻译中的机器翻译和当今社会广泛用于安全的人脸识别。