1.1 什么是機器學習

首先需要了解什么是人工智能。人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。

人工智能所包含的類目很多，其中包括但不限于諸如計劃調度、專家系統、推薦系統等學科，其中機器學習就是人工智能中比較重要的學科之一（見圖1-1）。

機器學習，使用算法解析數據并從中學習，然后對真實世界中的事件做出決策和預測。與傳統的用于解決特定任務、硬編碼的軟件程序不同，機器學習用大量的數據“訓練”，并通過各種算法從數據中學習如何完成任務。如圖1-1所示，之前所提到的監督學習、深度學習、強化學習等內容，實際上都屬于機器學習的一個子類目，它們之間的算法并不是相互獨立、相互排斥的，而是多門學科的交匯，都是基于特定的場景、任務及實現途徑劃分的。

機器學習來源于早期的人工智能領域，傳統的算法包括決策樹（Decision Tree）、聚類、分類、支持向量機（Support Vector Machine，SVM）、集成學習（Ensemble Learning）等。關于這些算法的詳細內容會在第5章至第7章詳細介紹。

根據學習數據源性質，機器學習算法可以分為監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習，它們之間的區別在于樣本是否被標記（存在標簽）。如果學習樣本存在明確的類目或者對應的數值，則該學習為監督學習；如果樣本不存在標簽，則為無監督學習；半監督學習則介于兩者之間，學習樣本的標簽不完整。

深度學習（Deep Learning）專門用于指定深度神經網絡，是利用深度神經網絡解決特征表達的一種學習過程。深度神經網絡本身并不是一個全新的概念，可大致理解為包含多個隱含層的神經網絡結構。為了提高深度神經網絡的訓練效果，人們對神經元的連接方法和激活函數（Activation Function）等方面做出相應的調整。

而深度學習在大多數場景中存在于監督學習。當然，隨著深度神經網絡模型的發展，也出現了無監督模型。2012年6月，由谷歌人工智能專家吳恩達主導的“貓實驗”項目就是對無監督學習的一次探索。在該項目中，谷歌大腦（Google Brain）開發的一個大規模神經網絡，通過學習1000萬張未標記動物圖片，最終能夠分辨出貓。深度學習的詳細內容將在第8章至第13章進行介紹。

強化學習（Reinforcement Learning）同樣是機器學習的一個分支，其主要任務不僅在于認知識別，還是強調如何基于環境而行動，以取得最大化的預期獎勵。強化學習通常包括狀態（Status）、獎勵（Rewards）及行為（Action），其運行機制如圖1-2所示。

具體過程大致如下：①代理通過識別環境，判斷當前狀態；②根據經驗觸發相應的行為；③每個行為觸發相應的獎勵，并改變相應的狀態。上述步驟重復循環，直到完成既定目標。

關于強化學習的內容，本書暫不做介紹。