1.1 什么是机器学习

首先需要了解什么是人工智能。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能所包含的类目很多，其中包括但不限于诸如计划调度、专家系统、推荐系统等学科，其中机器学习就是人工智能中比较重要的学科之一（见图1-1）。

机器学习，使用算法解析数据并从中学习，然后对真实世界中的事件做出决策和预测。与传统的用于解决特定任务、硬编码的软件程序不同，机器学习用大量的数据“训练”，并通过各种算法从数据中学习如何完成任务。如图1-1所示，之前所提到的监督学习、深度学习、强化学习等内容，实际上都属于机器学习的一个子类目，它们之间的算法并不是相互独立、相互排斥的，而是多门学科的交汇，都是基于特定的场景、任务及实现途径划分的。

机器学习来源于早期的人工智能领域，传统的算法包括决策树（Decision Tree）、聚类、分类、支持向量机（Support Vector Machine，SVM）、集成学习（Ensemble Learning）等。关于这些算法的详细内容会在第5章至第7章详细介绍。

根据学习数据源性质，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习，它们之间的区别在于样本是否被标记（存在标签）。如果学习样本存在明确的类目或者对应的数值，则该学习为监督学习；如果样本不存在标签，则为无监督学习；半监督学习则介于两者之间，学习样本的标签不完整。

深度学习（Deep Learning）专门用于指定深度神经网络，是利用深度神经网络解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为包含多个隐含层的神经网络结构。为了提高深度神经网络的训练效果，人们对神经元的连接方法和激活函数（Activation Function）等方面做出相应的调整。

而深度学习在大多数场景中存在于监督学习。当然，随着深度神经网络模型的发展，也出现了无监督模型。2012年6月，由谷歌人工智能专家吴恩达主导的“猫实验”项目就是对无监督学习的一次探索。在该项目中，谷歌大脑（Google Brain）开发的一个大规模神经网络，通过学习1000万张未标记动物图片，最终能够分辨出猫。深度学习的详细内容将在第8章至第13章进行介绍。

强化学习（Reinforcement Learning）同样是机器学习的一个分支，其主要任务不仅在于认知识别，还是强调如何基于环境而行动，以取得最大化的预期奖励。强化学习通常包括状态（Status）、奖励（Rewards）及行为（Action），其运行机制如图1-2所示。

具体过程大致如下：①代理通过识别环境，判断当前状态；②根据经验触发相应的行为；③每个行为触发相应的奖励，并改变相应的状态。上述步骤重复循环，直到完成既定目标。

关于强化学习的内容，本书暂不做介绍。