檢視機器學習的原始碼

'''機器學習'''是人工智慧的一个分支。人工智慧的研究歷史有一條對以「推理」為重點，到以「智識」為重點，閣到以「學習」為重點的自然、清楚度的脈絡。顯然，機器學習是實現人工智慧的一个過路之一，機器學習為手段，解決人工智慧中的部份問題。機器學習佇近三十幾年已經發展為一門多領域科際整合，牽連機率論、統計學、逼近論、噗分析、計算複雜性理論等等的多門學科。

機器學習理論主要是設計佮分析一寡予電腦會當自動「學習」的演算法。機器學習演算法是一類對資料中自動分析得著規律，閣利用規律對毋知資料進行預測的演算法。因為學習演算法中牽涉著大量的統計學理論，機器學習佮推論統計學聯絡尤為密切，嘛予人號做'''統計學習理論'''。演算法設計方面，機器學習理論關注會當實現的，行之有效的學習演算法（愛防止錯誤累積）。 誠濟推論問題屬於非程式化決策，所以部份的機器學習研究是開發容易處理的近若演算法。

機器學習已廣泛應用於資料探勘、電腦視覺、自然語言處理、生物特徵辨識、搜揣 ia̋n-jín、醫學診斷、檢測信用卡詐騙、證券市場分析、DNA 序列定序、語音佮手寫辨識、遊戲佮機器人等領域。

==定義==

機器學習有下跤幾種定義：

* 機器學習是一門人工智慧的科學，該領域的主要研究物件是人工智慧，特別是按怎佇經驗學習當中改善具體演算法的效能。
* 規器學習是對會當通過經驗自動改進的電腦演算法的研究。
* 機器學習是用資料抑是往過的經驗，此最佳化電腦程式的效能標準。

電腦科學家 Tom M . Mitchell 佇咧其著作的 Machine Learning 一冊內底定義的機器學習為：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 .

==分類==

機器學習會當分做下跤幾種類別：

* 監督學習對給定的訓練資料集中學習出一个函數，做新的資料到來的時陣，會當根據這个函數預測。監督學習的訓練集要求是包括輸入佮輸出，嘛會當講是特徵佮目標。訓練集中的目標是由人標註的。常見的監督學習演算法包括迴歸分析佮統計分類。

監督學習佮非監督學習的差別就是訓練集目標敢有人為標註。𪜶攏有訓練集而且攏有輸入佮輸出

* 沒監督學習監督學習相比，訓練集無人為標註的結果。捷看的無監督學習演算法有生成對抗網路（GAN）、 聚類。
* 半監督學介於監督學習佮無監督學習之間。
* 強化學習機器為著欲達成目標，隨著環境的變動，漸漸調整其中的行為，並評估每一个行動了後所到的回饋是正向的抑是負向的。

==演算法==

具體的機器學習演算法有：

* 構造隔理論分布：聚類分析佮圖樣相識
* 人工神經網路
* 決策樹
* 感知器
* 支援向量機
* 整合學習 AdaBoost
* 降維佮度量學習
* 聚類
* 貝氏分類器
* 構造的條件機率：迴歸分析佮統計分類
* 高斯過程迴歸
* 線性判別分析
* 最近厝邊隔壁法
* 徑向基函數核
* 通過再生模型構造機率密度函數：
* 上大向望演算法
* 機率圖模型：包括貝氏網路佮 Markov 隨機場
* Generative Topographic Mapping
* 這種推斷技術：
* 馬可夫鏈
* 蒙特卡羅方法
* 變分法
* 最佳化：大多數以上方法，直接抑是間接使用最佳化演算法。
* 量子機器學習

==參考文獻==

===參照===

===來源===

==外部連結==

==參見==

[[分類: 待校正]]