查看“机器学习”的源代码

= 机器学习的定义 =

机器学习（Machine Learning），是指计算机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。因此，机器学习又称为统计学习(statistical learning)或统计机器学习(statistical machine learning)。

机器学习的一个简洁的定义：对于某类任务T（Task）和性能度量P（Performance），一个计算机程序被认为可以从经验E（Experience）中学习是指通过经验E改进后，它在任务T上由性能度量P衡量的性能有所提升。

=机器学习的内容=

机器学习的内容可以分为监督学习（Supervised Learning）、非监督学习（unsupervised Learning）和半监督学习（Semi-Supervised Learning），还有强化学习(reinforcement learning)和推荐算法(Recommender algorithm)等。 

机器学习的主要任务是预测（Regression）与分类（Classification）。

= 机器学习的特点=

李航在《统计学习方法》一书中，总结为：
#以计算机为平台
#以数据为研究对象
#以方法为中心
#概率论、计算理论、最优化理论和计算机科学等学科的交叉学科
#具有独有的理论体系和方法论

=机器学习的任务=
==预测==

*线性预测：

线性回归模型

==分类==

二元分类的逻辑斯提回归模型

多元分类的逻辑斯提回归模型

= 软件工具 =

([https://www.python.org '''Python'''])

[http://scikit-learn.org scikit-learn]
([https://github.com/scikit-learn/scikit-learn Source Code])

= 阅读材料 =

# Jordan, M. I., and T. M. Mitchell. "Machine learning: Trends, perspectives, and prospects." Science 349, no. 6245 (2015): 255-260. [http://science.sciencemag.org/content/349/6245/255 Machine_Learning_Science_2015]
#李航，统计学习方法，清华大学出版社。

=参考课程 =

#STA414 (U. Toronto), Statistical Methods for Machine Learning and Data Mining, https://www.cs.toronto.edu/~rsalakhu/STA414_2015/.
#CS229 (Stanford U.), Machine Learning, http://cs229.stanford.edu/.