机器学习
关于人工智能的一门学科
条目
历史版本
机器学习（英文名：Machine Learning，简称：ML）[2]是一门多领域的交叉学科，涉及概率论、统计学、微积分、代数学、算法复杂度理论等学科门类。机器学习是用来实现人工智能的主要方法，通过让机器通过学习数据中的内在规律性信息，获得新的经验和知识，以提高改善系统自身的性能，使计算机能够像人那样去决策。[1][2][3]
机器学习的本质在于利用合适的特征和正确的方法来构建特定模型，以完成特定任务。根据预期的输出和输入类型，机器学习算法可以分为多个学习风格，例如有监督学习、无监督学习、半监督学习、强化学习、元学习等。[4][3][5]而根据构建原理的不同，机器学习模型可以分为几何模型、概率模型和逻辑模型三个基本类别。[1]几何模型是通过数学和几何方法来理解和描述机器学习算法中数据的特征、模式和关系。支持向量机、K均值聚类等算法就属于几何模型。[1]概率模型是一种用于建模和预测数据的方法，它基于概率理论和统计学原理。典型的概率模型包括朴素贝叶斯模型、隐马尔可夫模型等。逻辑模型是机器学习中基于特定推理方法的模型，例如决策树、关联规则挖掘和人工神经网络，它们是最常见的逻辑模型。机器学习致力于通过选择合适的学习方法和构建适当的模型来解决具体问题，以实现预测、分类、聚类等特定任务。[3][1][6]
定义
汤姆·米切尔（Tom M. Mitchell ）