變更

''' 机器学习 ''' 是 [[ 人工智能 ]] 的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉 [[ 学科 ]] ，涉及 [[ 概率论 ]] 、 [[ 统计学 ]] 、 [[ 逼近论 ]] 、 [[ 凸分析 ]] 、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得 [[ 规律 ]] ，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的 [[ 学习 ]] 算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。

机器学习已广泛应用于数据挖掘、 [[ 计算机 ]][[ 视觉 ]] 、 [[ 自然语言 ]] 处理、 [[ 生物 ]] 特征识别、 [[ 搜索引擎 ]] 、医学诊断、检测信用卡欺诈、 [[ 证券市场分析 ]] 、DNA序列测序、 [[ 语音 ]] 和 [[ 手写识别 ]] 、战略游戏和 [[ 机器人 ]] 等领域。

*机器学习是一门人工智能的 [[ 科学 ]] ，该领域的主要研究对象是人工智能，特别是如何在经验 [[ 学习 ]] 中改善具体算法的性能。 *机器学习是对能通过经验自动改进的 [[ 计算机算法 ]] 的研究。 *机器学习是用 [[ 数据 ]] 或以往的经验，以此优化计算机程序的性能标准。

*监督学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个 [[ 函数 ]] 预测结果。监督学习的训练集要求是包括 [[ 输入 ]] 和 [[ 输出 ]] ，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。

*无监督学习与 [[ 监督学习 ]] 相比，训练集没有人为标注的结果。常见的无监督学习算法有生成对抗网络（GAN）、聚类。

 *增强学习机器为了达成目标，随着 [[ 环境 ]] 的变动，而逐步调整其 [[ 行为 ]] ，并评估每一个行动之后所到的回馈是正向的或负向的。