什么是机器学习？

机器学习有多种定义，到目前为止尚未有公认的定义。若想了解更多，可参考知乎的解答，其中既有客观的回答，也有深刻的幽默。

我从定义的角度让大家浅显地了解什么是机器学习。机器学习有许多定义，例如：

“机器从原始的数据中提取模式的能力”（lan ）

在不直接对问题进行编程的情形下，存在一个研究领域，这个领域能够赋予计算机学习能力。

机器学习这门学科关注的问题是：计算机程序怎样能够随着经验的积累而自动提升性能。

如果一个计算机程序在某类任务 T 上，其以性能度量 P 衡量的性能能够随着经验 E 而自我提升和完善，那么我们就说这个计算机程序在从经验 E 进行学习。

比如在猪的识别方面，我们并非直接编程让机器知晓猪是陆地行走、四个蹄子、肥头大耳的动物，而是间接地告知机器哪些是猪哪些不是。随着经验的不断积累，计算机得以自我完善，进而能够区分是猪还是不是猪。

我的举例仅仅是有监督的一个示例。同时，还有半监督、弱监督以及无监督学习等诸多类型，它们都属于机器学习的范畴。

监督学习是什么？无监督学习是什么？强化学习是什么？弱监督学习是什么？半监督学习是什么？多示例学习是什么？

随着机器学习问题逐渐被人们熟知，人们把现实中遇到的不同问题划分成不同的学习方式。其中，最为基础的有监督学习、无监督学习和强化学习。

监督学习：有已知的数据以及与这些数据一一对应的标签，通过训练一个智能算法，把输入的数据映射到相应标签的过程。监督学习是较为常见的学习问题之一，也就是人们常说的分类问题。例如，已知某些图片是猪，而某些图片不是猪，这时训练一个算法，当有新的图片输入该算法时，算法能够告诉我们这张图片是不是猪。

无监督学习：已知数据未带有任何标签，依据一定的倾向，对一个智能算法进行训练，使所有数据能映射到多个具有不同标签的过程。与有监督学习相比，无监督学习属于一类较为困难的问题。这里所谓的按照一定的倾向，例如特征空间距离较近等，这些是人们认为属于同一类的事物应具备的一些特性。举个例子，猪和鸵鸟混在一起。算法会进行高度测量，接着发现动物们主要集中在两个高度区间。一类动物身高约为一米，另一类动物身高约为半米。那么，依据就近原则，75 厘米以上的属于高的那类，也就是鸵鸟；75 厘米以下的属于矮的那类，也就是猪。当然，这里也会有身材矮小的鸵鸟和身高极高的猪被错误分类的情况。

强化学习：智能算法在无人为指导的情形下，凭借持续的试错以提升任务性能的这一过程。“试错”意味着存在一个衡量标准。以棋类游戏为例，我们不清楚棋手下一步棋的对错，也不了解哪步棋是制胜的关键。然而，我们却知道最终的结果是输还是赢。如果算法按照某种方式走最后的结果是胜利，那么算法就会学习并记忆；如果按照那样走最后输了，那么算法就会学习以后不再这样走。

弱监督学习：已知有数据以及与这些数据一一对应的弱标签，通过训练一个智能算法，把输入的数据映射到一组更强的标签的过程。标签的强弱指的是其蕴含信息量的多少。例如，相较于分割的标签，分类的标签属于弱标签。如果我们知晓一幅图，告知图上有一只猪，接着让你找出猪的位置以及猪与背景的分界，这便是一个已知弱标签而去学习强标签的弱监督学习问题。

半监督学习：一部分数据的标签已知，另一部分数据的标签未知。利用已知标签的数据和部分数据一一对应的关系，训练一个智能算法，让这个算法学习已知标签和未知标签的数据，最终实现将输入数据映射到标签的过程。半监督通常情况下数据的标注较为困难，像医院的检查结果，医生需要花费一定时间来判断其健康与否。可能只有少数几组数据明确知道是健康还是非健康，而其他数据仅只有数据本身，并不知晓其是否健康。在此情形下，通过将有监督学习与无监督学习相结合的半监督学习便发挥了作用。

多示例学习：已知有包含多个数据的数据包以及这些数据包的标签，需要训练智能算法，把数据包映射到标签。在某些问题中，还会同时给出包内每个数据的标签。多事例学习引入了数据包的概念。例如，一段视频由很多张图构成，倘若有 1000 张。要判断视频里是否有猪出现，若一张一张地标注每一帧是否有猪，会非常耗时。所以人们看一遍视频，然后说这个视频里有猪或者没猪，这样就得到了多示例学习的数据。在 1000 帧的数据中，不是每一个帧都有猪出现，只要有一帧有猪，我们就认为这个包是有猪的。只有所有帧都没有猪，才是没有猪的。从这里面学习哪一段视频（1000 张）有猪、哪一段视频没有猪，就是多事例学习的问题。