2.1机器学习与深度学习 机器学习 机器学习系统是训练出来的，而不是明确地用程序编写出来的，将 与某个任务相关的许多示例，输入到机器学习系统，它会在这些示例中 神经网络 找到统计结构，从而最终找到规则将任务自动化。机器学习有三类 深度学习 第一类是无监督学习，指的是从信息出发自动寻找规律，并将其分 成各种类别，有时也称“聚类问题”。 。第二类是监督学习，监督学习指的是给历史一个标签，运用模型预 测结果。 第三类是强化学习，是指可以用来支持人们去做决策和规划的一个 学习方式，它是对人的一些动作、行为产生奖励的回馈机制，通过 这个回馈机制促进学习，这与人类的学习相似
2.1 机器学习与深度学习 机器学习系统是训练出来的，而不是明确地用程序编写出来的，将 与某个任务相关的许多示例，输入到机器学习系统，它会在这些示例中 找到统计结构，从而最终找到规则将任务自动化。机器学习有三类： 第一类是无监督学习，指的是从信息出发自动寻找规律，并将其分 成各种类别，有时也称“聚类问题” 。 第二类是监督学习，监督学习指的是给历史一个标签，运用模型预 测结果。 第三类是强化学习，是指可以用来支持人们去做决策和规划的一个 学习方式，它是对人的一些动作、行为产生奖励的回馈机制，通过 这个回馈机制促进学习，这与人类的学习相似。 机器学习 神经网络 深度学习
2.1机器学习与深度学习 机器学习 今 输入 输出 应用 神经网络 给定数馄从数据中 历史数据，无雄度标签 数据骤装结构 聚类可题 发现信息 体育 深度学习 无监督学习 乐 给定数据预这些 历史数烟，有维度标签 根塔横型的预测结果 预测问题 监督信息 据的标签 从无有 监督学习 ◆Banana 定混选择动作 状态，动作及对应奖励 该状态下的最动作 策略问题 以最大化长期奖励 强化学习
2.1 机器学习与深度学习 机器学习 神经网络 深度学习
2.1机器学习与深度学习 机器学习 今 概念关系： 神经网络 模式识别=机器学习 模式识别 计算机视觉 深度学习 数据挖掘=机器学习+数据库 统计学习≈机器学习 数据挖掘 语音识别 计算机视觉=图像处理+机器学习 机器学习 ● 语音识别=语音处理+机器学习 统计学习 自然语言处理 文Google 自然语言处理=文本处理+机器学习 Translate
2.1 机器学习与深度学习 概念关系： 模式识别=机器学习 数据挖掘=机器学习+数据库 统计学习≈机器学习 计算机视觉=图像处理+机器学习 语音识别=语音处理+机器学习 自然语言处理=文本处理+机器学习 机器学习 神经网络 深度学习
2.1机器学习与深度学习 机器学习 特征工程指的是把原始数据转变 特征分折报告 摸型特 为模型的训练数据的过程，它的 神经网络 目的就是获取更好的训练数据特 持证工程模块 征，使得机器学习模型逼近这个 深度学习 上限。 特征拼接摸块 ·特征工程在机器学习中占有非常 重要的作用，一般认为括特征构 样本处理模功 建、特征提取、特征选择三个部 分。特征构建比较麻烦，需要一 年本 特征构帽 定的经验。 ·特征工程能使得模型的性能得到 原始数鋸晶 提升，有时甚至在简单的模型上 整体架构姻 也能取得不错的效果
2.1 机器学习与深度学习 特征工程指的是把原始数据转变 为模型的训练数据的过程，它的 目的就是获取更好的训练数据特 征，使得机器学习模型逼近这个 上限。 特征工程在机器学习中占有非常 重要的作用，一般认为括特征构 建、特征提取、特征选择三个部 分。特征构建比较麻烦，需要一 定的经验。 特征工程能使得模型的性能得到 提升，有时甚至在简单的模型上 也能取得不错的效果。 机器学习 神经网络 深度学习
2.1机器学习与深度学习 机器学习 传统机器学习的主要障碍是特征工程这个步骤，这需要领域专家在进入训 练过程之前就要找到非常重要的特征。特征工程步骤是要靠手动完成的，而且 神经网络 需要大量领域专业知识，因此它成为当今大多数机器学习任务的主要瓶颈。 深度学习 输入 特征提取 特征 传统机器学习 算法 输出 传统机器学习 输入 深度学习算法 输出 深度学习
2.1 机器学习与深度学习 传统机器学习的主要障碍是特征工程这个步骤，这需要领域专家在进入训 练过程之前就要找到非常重要的特征。特征工程步骤是要靠手动完成的，而且 需要大量领域专业知识，因此它成为当今大多数机器学习任务的主要瓶颈。 机器学习 神经网络 深度学习