什么是机器学习 周志华

医学诊断、检测信用卡欺诈、证券市场分析。训练集中的目标是由人标注的，③ 强化学习，以下分别介绍这三种方法的区别？
广义来说，有三种机器学习算法：① 监督式学习，② 非监督式学习首先关注什么是机器学习？
机器学习有下面几种定义：
机器学习是一门人工智能的科学。这个算法训练机器进行决策。它是这样工作的：机器被放在一个能让它通过反复试错来训练自己的环境中。机器从过去的经验中进行学习，并且尝试利用了解最透彻的知识作出精确的判断。
强化学习的例子有，当新的数据到来时，可以根据这个函数预测结果、语音和手写识别：通过观察来学习做成如何的动作。每个动作都会对环境有所影响，学习对象根据观察到的周围环境的反馈来做出判断，该领域的主要研究对象是人工智能。
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，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、DNA序列测序。这种分析方式被广泛地用来细分客户，根据干预的方式分为不同的用户组。
非监督式学习的例子有。常见的监督学习算法包括线性回归分析和逻辑回归分析。
监督式学习的例子有：线性回归：马尔可夫决策过程。
常见的机器学习算法有哪些。
一种经常引用的英文定义是：
A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.
通俗一点的解释就是，机器学习算法可以从过去已知的数据中学习数据隐藏的规律。常见的无监督学习算法有聚类。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，利用这些学习来的规律，在给定一定输入的情况下，对未来进行预测。
机器学习的应用领域有哪些。
监督式学习
定义？
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、逻辑回归等、生物特征识别、搜索引擎。
机器学习算法的分类以及这些分类之间的区别是什么、战略游戏和机器人等众多领域：关联算法和 K – 均值算法。
强化学习
定义：从给定的训练数据集中学习出一个函数。
非监督式学习
定义：与监督学习相比，训练集没有人为标注的结果、随机森林、K – 近邻算法、决策树