前言

各位小伙伴大家好！今天带领大家开一个新坑，我们一起扒一扒机器学习这个热点概念。希望能帮助大家理解机器学习，在自己的研究工作中使用机器学习。就算不能直接帮大家冲击更高水平的期刊，至少也能理解那些使用机器学习的人在干什么，再不济可以跟不懂机器学习的小白吹吹牛。但是笔者也是半路出家的小白，虽说在相关领域也有了几年工作经验，但是难免有遗漏和失误之处，希望大家多批评指正。废话不多说，我们直奔主题。

一、机器学习的历史

被大家广泛认可的机器学习的概念最早是在1959年被Arthur Samuel提出的。但是受限于当时的计算机算力，他的神经网络模型只有一层，所以能从事的工作有限，因此这个概念没有得到广泛的推广和认可。在1969年Minsky更是证明了这个复杂的机器学习模型只能解决的线性问题，这无疑等同于给这个方法判了死刑。此后仍未放弃的研究者将这个方法不断进行改善，引入了非线性激活函数，也将神经网络的结构拓展到了三层，极大的拓宽了机器学习的应用空间。并终于在1997年由Mitchell写出了机器学习的经典教科书，这个研究方向才算回归到了大众视野中。而近十年机器学习的也乘着计算机科学爆炸发展的东风一举突破了三层神经网络的限制，真正意义上实现了具备自主的“思考”能力的算法，并被广泛的应用到了我们的生活中，比如翻译软件，p图软件等等。

二、机器学习是什么？

然而，机器学习作为一个新兴学科，其定义尚未达成全员的共识，但其中一个广为接受的定义是由Mitchell提出的：机器学习是一种可以自发的利用经验（E）提高针对特定任务（T）的表现（P）的算法。用一个比较容易理解的方式来说，机器学习并不神秘，它就是一种算法。这种算法是被用于执行特定任务而设计出来的，既然是为了执行特定任务，那目标自然是提升它在这个任务中的表现。直到这里，它和普通的算法没任何区别。但接下来的特征却让机器学习和一般算法产生了本质区别。即一般算法是人类利用已有的数据进行归纳总结，编写出了一个合理的解决方案，并由计算机执行，其目的就是为了直接解决这个问题。而机器学习的算法则是利用已知数据，对自身进行优化，从而直接实现特定目标。因此我们称机器学习的方法具有自发性。

由机器学习的定义出发，我们可以轻易区分两组特别容易混淆的概念。首先是机器学习和人工智能：人工智能是一个庞大的概念，而机器学习只是人工智能的算法部分。另一个是机器学习和深度学习：机器学习泛指所有满足定义的算法，但一般认为超过三层的神经网络才可以被称为深度学习。而发现自己做的不是深度学习的小伙伴也大可不必担忧，因为深度学习也不一定就比一般的机器学习表现更好。

简单总结一下，今天我们了解了机器学习的历史和定义。接下来我们会继续探讨机器学习的分类，请大家拭目以待。

特别声明：本文由“天玑算”用户上传、授权发布，以上内容（含文字、图片、视频）不代表本网站观点或立场；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，可以在文未添加注释。