定义
米切尔：对于某类任务T和性能度量P，如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善，那么就称这个计算机程序在从经验E学习。
假设您的电子邮件程序会观察收到的邮件是否被你标记为垃圾邮件。在这种Email客户端中，你点击“垃圾邮件”按钮，报告某些Email为垃圾邮件，不会影响别的邮件。基于被标记为垃圾的邮件，您的电子邮件程序能更好地学习如何过滤垃圾邮件。请问，在这个设定中，任务T是什么？
1.将电子邮件分类为垃圾邮件或非垃圾邮件
2.卡拿着你给邮件贴上垃圾邮件标签
3.完成垃圾邮件/非正确分类的电子邮件数量
我将在文章最后揭晓答案。。。
机器学习开发流程
定义分析目标->数据收集->整理预处理->数据建模->模型训练->模型评估->模型应用
机器学习类型
机器学习主要分为以下三种类型：
1. 监督学习（Supervised Learning）
- 定义： 监督学习是指使用带标签的数据进行训练，模型通过学习输入数据与标签之间的关系，来做出预测或分类。
- 应用： 分类（如垃圾邮件识别）、回归（如房价预测）。
- 例子： 线性回归、决策树(既可以预测分类也可以连续值）、支持向量机（SVM）、K近邻、朴素贝叶斯、逻辑回归、XGBoot、Lightgbm。
2. 无监督学习（Unsupervised Learning）
- 定义： 无监督学习使用没有标签的数据，模型试图在数据中发现潜在的结构或模式。
- 应用： 聚类（如客户分群）、降维（如数据可视化）。
- 例子： K-means 聚类、主成分分析（PCA）、EM算法。
3. 强化学习（Reinforcement Learning）
- 定义： 强化学习通过与环境互动，智能体在试错中学习最佳策略，以最大化长期回报。每次行动后，系统会收到奖励或惩罚，来指导行为的改进。
- 应用： 游戏AI（如AlphaGo）、自动驾驶、机器人控制。
- 例子： Q-learning、深度Q网络（DQN）、马尔科夫决策方法（扫地机器人）。
机器学习应用领域
推荐系统： 例如，抖音推荐你可能感兴趣的视频，淘宝推荐你可能会购买的商品，网易云音乐推荐你喜欢的音乐。
自然语言处理（NLP）： 机器学习在语音识别、机器翻译、情感分析、聊天机器人等方面的应用。例如，Google 翻译、Siri 和智能客服等。
计算机视觉： 机器学习在图像识别、物体检测、面部识别、自动驾驶等领域有广泛应用。例如，自动驾驶汽车通过摄像头和传感器识别周围的障碍物，识别行人和其他车辆。
金融分析： 机器学习在股市预测、信用评分、欺诈检测等金融领域具有重要应用。例如，银行利用机器学习检测信用卡交易中的欺诈行为。
医疗健康： 机器学习帮助医生诊断疾病、发现药物副作用、预测病情发展等。例如，IBM 的 Watson 系统帮助医生分析患者的病历数据，提供诊断和治疗建议。
游戏和娱乐： 机器学习不仅用于游戏中的智能对手，还应用于游戏设计、动态难度调整等方面。例如，AlphaGo 使用深度学习技术战胜了围棋世界冠军。