一直以來，機器學習都是大家的關注焦點之一。因此針對大家的興趣點所在，小編將為大家?guī)頇C器學習的相關介紹，詳細內(nèi)容請看下文。

一、機器學習如何基于學習策略分類

機器學習(Machine Learning，ML)是人工智能的子領域，也是人工智能的核心。它囊括了幾乎所有對世界影響最大的方法(包括深度學習)。機器學習理論主要是設計和分析一些讓計算機可以自動學習的算法。

那么，機器學習如何基于學習策略進行分類?

(1)模擬人腦的機器學習

符號學習：模擬人腦的宏現(xiàn)心理級學習過程，以認知心理學原理為基礎，以符號數(shù)據(jù)為輸入，以符號運算為方法，用推理過程在圖或狀態(tài)空間中搜索，學習的目標為概念或規(guī)則等。符號學習的典型方法有記憶學習、示例學習、演繹學習.類比學習、解釋學習等。

神經(jīng)網(wǎng)絡學習(或連接學習)：模擬人腦的微觀生理級學習過程，以腦和神經(jīng)科學原理為基礎，以人工神經(jīng)網(wǎng)絡為函數(shù)結(jié)構(gòu)模型，以數(shù)值數(shù)據(jù)為輸入，以數(shù)值運算為方法，用迭代過程在系數(shù)向量空間中搜索，學習的目標為函數(shù)。典型的連接學習有權值修正學習、拓撲結(jié)構(gòu)學習。

(2)直接采用數(shù)學方法的機器學習

另一個方面，就是可直接采用數(shù)學方法的機器學習，主要有統(tǒng)計機器學習。

統(tǒng)計機器學習是基于對數(shù)據(jù)的初步認識以及學習目的的分析，選擇合適的數(shù)學模型，擬定超參數(shù)，并輸入樣本數(shù)據(jù)，依據(jù)一定的策略，運用合適的學習算法對模型進行訓練，最后運用訓練好的模型對數(shù)據(jù)進行分析預測。

統(tǒng)計機器學習三個要素：

模型(model)：模型在未進行訓練前，其可能的參數(shù)是多個甚至無窮的，故可能的模型也是多個甚至無窮的，這些模型構(gòu)成的集合就是假設空間。

策略(strategy)：即從假設空間中挑選出參數(shù)最優(yōu)的模型的準則。模型的分類或預測結(jié)果與實際情況的誤差(損失函數(shù))越小，模型就越好。那么策略就是誤差最小。

算法(algorithm)：即從假設空間中挑選模型的方法(等同于求解最佳的模型參數(shù))。機器學習的參數(shù)求解通常都會轉(zhuǎn)化為最優(yōu)化問題，故學習算法通常是最優(yōu)化算法，例如最速梯度下降法、牛頓法以及擬牛頓法等。

二、機器學習與深度學習的比較

通過上面的介紹，想必大家已經(jīng)了解了如何基于學習策略對機器學習進行分類。在這部分，我們主要來將機器學習和深度學習來進行一個比較。

1、應用場景

機器學習在指紋識別、特征物體檢測等領域的應用基本達到了商業(yè)化的要求。

深度學習主要應用于文字識別、人臉技術、語義分析、智能監(jiān)控等領域。目前在智能硬件、教育、醫(yī)療等行業(yè)也在快速布局。

2、所需數(shù)據(jù)量

機器學習能夠適應各種數(shù)據(jù)量，特別是數(shù)據(jù)量較小的場景。如果數(shù)據(jù)量迅速增加，那么深度學習的效果將更加突出，這是因為深度學習算法需要大量數(shù)據(jù)才能完美理解。

3、執(zhí)行時間

執(zhí)行時間是指訓練算法所需要的時間量。一般來說，深度學習算法需要大量時間進行訓練。這是因為該算法包含有很多參數(shù)，因此訓練它們需要比平時更長的時間。相對而言，機器學習算法的執(zhí)行時間更少。

4、解決問題的方法

機器學習算法遵循標準程序以解決問題。它將問題拆分成數(shù)個部分，對其進行分別解決，而后再將結(jié)果結(jié)合起來以獲得所需的答案。深度學習則以集中方式解決問題，而不必進行問題拆分。

以上就是小編這次想要和大家分享的有關機器學習的所有內(nèi)容，希望大家對本次分享的內(nèi)容已經(jīng)具有一定的了解。如果您想要看不同類別的文章，可以在網(wǎng)頁頂部選擇相應的頻道哦。