机器学习是一门多学科交叉专业,涵盖概率论知识、统计学知识、近似理论知识和复杂算法知识,它使用计算机作为工具并致力于真实、实时地模拟人类学习方式,并将现有内容进行知识结构划分来有效提高学习效率。机器学习对研究问题进行模型假设,利用计算机从训练数据中学习得到模型参数,并最终对数据进行预测和分析。它可以在以下一些场景得到使用。
内容生成:根据需要,生成主题相关的文字、图片、视频、音频内容。
营销类场景:商品推荐、用户群体画像或广告精准投放。
金融类场景:贷款发放预测、金融风险控制、股票走势预测或黄金价格预测。
社交网络服务关系挖掘场景:微博粉丝领袖分析或社交关系链分析。
文本类场景:新闻分类、关键词提取、文章摘要或文本内容分析。
非结构化数据处理场景:图片分类或图片文本内容提取。
其他各类预测场景:降雨预测或足球比赛结果预测。
机器学习包括传统机器学习和深度学习,有以下几种类型:
监督学习(Supervised Learning):每个样本都有对应的目标值,通过搭建模型实现从输入特征向量到目标值的映射,例如解决回归和分类问题。
无监督学习(Unsupervised Learning):所有样本没有目标值,期望从数据本身发现一些潜在规律,例如解决聚类问题。
强化学习(Reinforcement Learning):相对较为复杂,系统与外界环境不断交互,在外界反馈的基础上决定自身行为,以达到目标最优化。例如阿尔法围棋和无人驾驶。