第一篇：機器學習的例子

身邊的機器學習

相信身邊很多人都曾經被漫長的紅綠燈等待時間所困擾。不管是對于行人還是開車的司機，要么就是等紅燈的時間太長以至于大家開始失去耐心，選擇直接橫穿馬路；要么就是綠燈切換的時間太短，如果不一路小跑著過馬路的話就會被迫面對湍急的車流，將自己置于危險之中。而事實上，設定燈的切換時長這項工作如果交給懂得分析數據、高效建模的計算機來完成效果可能會更好。

在許多歐美國家都在進行類似的實驗，收效顯著：通過建設一個監督學習的算法，將車流量、人流量設定為要被監測的目標數據，并以密度或是車、人的數量、來源等數據用這些直觀的形式統計起來。經過匯總之后，一方面對可以車流量、人流量的高峰時間進行統計；另一方面可以總結歸納出現這些高峰的地點以及流量來源。有了這些數據，計算機就可以迅速建立起一個相應的模型來執行對擁堵行車的疏導，提升道路運輸的效率。

在一次觀測中研究人員發現，在馬路上大量的大型堵塞事件中，有很大一部分都只是車流靠前位置的一名新手的一次無心的剎車。即使每次剎車帶給下一輛車的司機的反應時間都只有1～2秒，但在漫長的車隊中不斷累積最終就會形成天文數學。如果可以通過機器學習的方式對上下班高峰期車流量的規律進行總結并加以利用，在市政管理上改變紅綠燈切換的時間長度來對馬路上的汽車進行分流，從而避免大量的汽車擁堵在路口處，就可以緩解這一問題。

在日常生活中，行人橫穿馬路釀成慘劇的案例已經屢見不鮮。很多人都會因為人行道的紅綠燈等待時間過長而選擇直接橫穿馬路，給自己和他人帶來危險。既然馬路上的紅綠燈調整可以交給計算機，人行道紅綠燈切換時間的調整計算機同樣可以勝任。如果有關部門可以將機器學習技術引入公共交通管理系統，通過更加智能的方式對時長進行調整，在車輛沒那么多的時候或者是類似步行街的人流量巨大的場所，結合馬路上的車輛通行情況對人行道上紅綠燈的切換時間進行動態的調整來縮短人們等候的時間，相信可以大大減少這類事件發生的幾率。

調整紅綠燈切換時間只是一件小事，不過這也從側面證明了機器學習可以被運用的范圍之廣闊以及相關行業的蓬勃發展勢頭。機器學習還有很多可以應用的場景，需要我們不斷發掘、利用。

第二篇：機器學習報告

機器學習總結報告

劉皓冰

大部分人錯誤地以為機器學習是計算機像人一樣去學習。事實上，計算機是死的，怎么可能像人類一樣“學習”呢，機器學習依靠的是數學，更確切地說是靠統計。

如果我們讓計算機工作，是給它一串指令，然后計算機會遵照這個指令一步步執行下去，有因有果，非常明確。但這種方式在機器學習中是行不通的。機器學習是不會接受你輸入的指令的，它接受的是你輸入的數據。也就是說，機器學習是一種讓計算機利用數據而不是指令來進行各種工作的方法。這聽起來非常不可思議，但結果上卻是非常可行的。“統計”思想將在你學習“機器學習”相關理念時無時無刻不伴隨，相關而不是因果的概念將是支撐機器學習能夠工作的核心概念。

依據數據所做的判斷跟機器學習的思想根本上是一致的。機器學習方法是計算機利用已有的數據(輸入)，得出了某種模型，并利用此模型預測未來(輸出)的一種方法。從數據中學得模型的過程稱為“學習”（learning）或“訓練”（training），這個過程通過執行某個學習算法來完成。訓練過程中使用的數據成為“訓練數據”（training data），其中每個樣本稱為一個“訓練樣本”（training sample），訓練樣本組成的集合稱為“訓練集“（training set）。學得模型對應了關于數據的某種潛在的規律，因此亦稱”假設“（hypothesis）；這種潛在規律自身，則稱為”真相“或”真實“（ground-truth），學習過程就是為了找出或逼近真相。模型有時也被稱為”學習器“（learner），可看作學習算法在給定數據和參數空間上的實例化。

若欲預測的是離散值則此類學習任務被稱為“分類”；若欲預測的是連續值則此類學習任務稱為“回歸”；對只涉及兩個類別的“二分類”任務，通常稱其中一個類為“正類”，另一個類為“反類”；涉及多個類別時，則稱為“多分類”任務。

模型是否準確依賴與數據。如果我的數據越多，我的模型就越能夠考慮到越多的情況，由此對于新情況的預測效果可能就越好。這是機器學習界“數據為王”思想的一個體現。一般來說(不是絕對)，數據越多，最后機器學習生成的模型預測的效果越好。

機器學習里面有非常多的經典算法，每種算法都能形成一個模型。下面在簡要介紹一下機器學習中的經典代表方法。重點介紹的是這些方法內涵的思想。

1、回歸算法 在大部分機器學習課程中，回歸算法都是介紹的第一個算法。原因有兩個：一.回歸算法比較簡單，介紹它可以讓人平滑地從統計學遷移到機器學習中。二.回歸算法是后面若干強大算法的基石，如果不理解回歸算法，無法學習那些強大的算法。回歸算法有兩個重要的子類：即線性回歸和邏輯回歸。

線性回歸一般使用“最小二乘法”來求解。“最小二乘法”的思想是這樣的，假設我們擬合出的直線代表數據的真實值，而觀測到的數據代表擁有誤差的值。為了盡可能減小誤差的影響，需要求解一條直線使所有誤差的平方和最小。最小二乘法將最優問題轉化為求函數極值問題。函數極值在數學上我們一般會采用求導數為0的方法。但這種做法并不適合計算機，可能求解不出來，也可能計算量太大。計算機科學界專門有一個學科叫“數值計算”，專門用來提升計算機進行各類計算時的準確性和效率問題。例如，著名的“梯度下降”以及“牛頓法”就是數值計算中的經典算法，也非常適合來處理求解函數極值的問題。梯度下降法是解決回歸模型中最簡單且有效的方法之一。

邏輯回歸是一種與線性回歸非常類似的算法，但是，從本質上講，線型回歸處理的問題類型與邏輯回歸不一致。線性回歸處理的是數值問題，也就是最后預測出的結果是數字，例如預測一所房子大約可以買多少錢。而邏輯回歸屬于分類算法，也就是說，邏輯回歸預測結果是離散的分類，例如判斷腫瘤是惡性還是良性等等。實現方面的話，邏輯回歸只是對對線性回歸的計算結果加上了一個Sigmoid函數，將數值結果轉化為了0到1之間的概率(Sigmoid函數的圖像一般來說并不直觀，你只需要理解對數值越大，函數越逼近1，數值越小，函數越逼近0)，接著我們根據這個概率可以做預測，例如概率大于0.5，腫瘤就是惡性的等等。

2、神經網絡

神經網絡(也稱之為人工神經網絡，ANN)算法是80年代機器學習界非常流行的算法，不過在90年代中途衰落。現在，攜著“深度學習”之勢，神經網絡重裝歸來，重新成為最強大的機器學習算法之一。

神經網絡的誕生起源于對大腦工作機理的研究。早期生物界學者們使用神經網絡來模擬大腦。機器學習的學者們使用神經網絡進行機器學習的實驗，發現在視覺與語音的識別上效果都相當好。在BP算法(加速神經網絡訓練過程的數值算法)誕生以后，神經網絡的發展進入了一個熱潮。

下圖是一個簡單的神經網絡的邏輯架構。在這個網絡中，分成輸入層，隱藏層，和輸出層。輸入層負責接收信號，隱藏層負責對數據的分解與處理，最后的結果被整合到輸出層。每層中的一個圓代表一個處理單元，可以認為是模擬了一個神經元，若干個處理單元組成了一個層，若干個層再組成了一個網絡，也就是”神經網絡”。

圖神經網絡的邏輯架構

在神經網絡中，每個處理單元事實上就是一個邏輯回歸模型，邏輯回歸模型接收上層的輸入，把模型的預測結果作為輸出傳輸到下一個層次。通過這樣的過程，神經網絡可以完成非常復雜的非線性分類。

進入90年代，神經網絡的發展進入了一個瓶頸期。其主要原因是盡管有BP算法的加速，神經網絡的訓練過程仍然很困難。因此90年代后期支持向量機(SVM)算法取代了神經網絡的地位。

3、SVM（支持向量機）

支持向量機算法是誕生于統計學習界，同時在機器學習界大放光彩的經典算法。

支持向量機算法從某種意義上來說是邏輯回歸算法的強化：通過給予邏輯回歸算法更嚴格的優化條件，支持向量機算法可以獲得比邏輯回歸更好的分類界線。但是如果沒有某類函數技術，則支持向量機算法最多算是一種更好的線性分類技術。

但是，通過跟高斯“核”的結合，支持向量機可以表達出非常復雜的分類界線，從而達成很好的的分類效果。“核”事實上就是一種特殊的函數，最典型的特征就是可以將低維的空間映射到高維的空間。

上述機器學習算法均為監督學習算法。監督學習，就是人們常說的分類回歸，通過已有的訓練樣本（即已知數據以及其對應的輸出）去訓練得到一個最優模型（這個模型屬于某個函數的集合，最優則表示在某個評價準則下是最佳的），再利用這個模型將所有的輸入映射為相應的輸出。在人對事物的認識中，我們從孩子開始就被大人們教授這是貓啊、那是狗啊、那是桌子啊，等等。我們所見到的景物就是輸入數據，而大人們對這些景物的判斷結果（是房子還是鳥啊）就是相應的輸出。當我們見識多了以后，腦子里就慢慢地得到了一些泛化的模型，這就是訓練得到的那個（或者那些）函數，從而不需要大人在旁邊指點的時候，我們也能分辨的出來哪些是貓，哪些是狗。無監督學習則是另一種研究的比較多的學習方法，它與監督學習的不同之處，在于我們事先沒有任何訓練樣本，而需要直接對數據進行建模。這聽起來似乎有點不可思議，但是在我們自身認識世界的過程中很多處都用到了無監督學習。比如我們去參觀一個畫展，我們完全對藝術一無所知，但是欣賞完多幅作品之后，我們也能把它們分成不同的派別（比如哪些更朦朧一點，哪些更寫實一些，即使我們不知道什么叫做朦朧派，什么叫做寫實派，但是至少我們能把他們分為兩個類）。無監督學習里典型的例子就是聚類了。聚類的目的在于把相似的東西聚在一起，而我們并不關心這一類是什么。因此，一個聚類算法通常只需要知道如何計算相似度就可以開始工作了。

那么，什么時候應該采用監督學習，什么時候應該采用非監督學習呢？一種非常簡單的回答就是從定義入手，如果我們在分類的過程中有訓練樣本，則可以考慮用監督學習的方法；如果沒有訓練樣本，則不可能用監督學習的方法。但是事實上，我們在針對一個現實問題進行解答的過程中，即使我們沒有現成的訓練樣本，我們也能夠憑借自己的雙眼，從待分類的數據中人工標注一些樣本，并把他們作為訓練樣本，這樣的話就可以把條件改善，用監督學習的方法來做。然而對于不同的場景，正負樣本的分布如果會存在偏移（可能是大的偏移，也可能偏移比較小），這樣的話用監督學習的效果可能就不如用非監督學習了。

今天，在計算機科學的諸多分支學科領域中，都能找到機器學習技術的身影，尤其是在計算機視覺、語音識別、模式識別、自然語言處理等“計算機應用技術”領域，機器學習已成為最重要的技術進步源泉之一。此外，機器學習還為許多交叉學科提供了重要的技術支撐比如說“生物信息學”。

可以說“計算機視覺=圖像處理+機器學習“。圖像處理技術用于將圖像處理為適合進入機器學習模型中的輸入，機器學習則負責從圖像中識別出相關的模式。計算機視覺相關的應用非常的多，例如百度識圖、手寫字符識別、車牌識別等等應用。這個領域是應用前景非常火熱的，同時也是研究的熱門方向。隨著機器學習的新領域深度學習的發展，大大促進了計算機圖像識別的效果，因此未來計算機視覺界的發展前景不可估量。

如果說“計算機視覺=圖像處理+機器學習“，那么”語音識別=語音處理+機器學習“。語音識別就是音頻處理技術與機器學習的結合。語音識別技術一般不會單獨使用，一般會結合自然語言處理的相關技術。目前的相關應用有蘋果語音助手siri、微軟小娜等。

“自然語言處理=文本處理+機器學習“。自然語言處理技術主要是讓機器理解人類的語言的一門領域。在自然語言處理技術中，大量使用了編譯原理相關的技術，例如詞法分析，語法分析等等，除此之外，在理解這個層面，則使用了語義理解，機器學習等技術。作為唯一由人類自身創造的符號，自然語言處理一直是機器學習界不斷研究的方向。按照百度機器學習專家余凱的說法“聽與看，說白了就是阿貓和阿狗都會的，而只有語言才是人類獨有的”。如何利用機器學習技術進行自然語言的的深度理解，一直是工業和學術界關注的焦點。

談到對數據進行分析利用，很多人會想到“數據挖掘”（data mining）。數據挖掘領域在二十世紀九十年代形成，它受到很多學科領域的影響，其中數據庫、機器學習、統計學無疑影響最大。數據挖掘是從海量數據中發掘知識，這就必然涉及對“海量數據”的管理和分析。大體來說，“數據挖掘=機器學習+數據庫“——數據庫領域的研究為數據挖掘提供數據管理技術，而機器學習和統計學的研究為數據挖掘提供數據分析技術。由于統計學往往醉心于理論的優美而忽視實際的效用，因此，統計學界提供的很多技術通常都要在機器學習界進一步研究，變成有效的機器學習算法之后才能再進入數據挖掘領域。從這個意義上說，統計學主要是通過機器學習來對數據挖掘發揮影響，而機器學習和數據庫則是數據挖掘的兩大支撐技術。從數據分析的角度來看，絕大多數數據挖掘技術都來自機器學習領域，但機器學習研究往往并不把海量數據作為處理對象，因此，數據挖掘要對算法進行改造，使得算法性能和空間占用達到實用的地步。同時，數據挖掘還有自身獨特的內容，即關聯分析。

通過上面的介紹，可以看出機器學習是多么的重要，應用是多么的廣泛。現隨著大數據（big data）概念的興起，機器學習大量的應用都與大數據高度耦合，幾乎可以認為大數據是機器學習應用的最佳場景。例如經典的Google利用大數據預測了H1N1在美國某小鎮的爆發、百度預測2014年世界杯結果從淘汰賽到決賽全部正確。這實在太神奇了，那么究竟是什么原因導致大數據具有這些魔力的呢？簡單來說，就是機器學習技術。正是基于機器學習技術的應用，數據才能發揮其魔力。

大數據的核心是利用數據的價值，機器學習是利用數據價值的關鍵技術，對于大數據而言，機器學習是不可或缺的。相反，對于機器學習而言，越多的數據會越可能提升模型的精確性，同時，復雜的機器學習算法的計算時間也迫切需要分布式計算與內存計算這樣的關鍵技術。因此，機器學習的興盛也離不開大數據的幫助。大數據與機器學習兩者是互相促進，相依相存的關系。

機器學習與大數據緊密聯系。但是，必須清醒的認識到，大數據并不等同于機器學習，同理，機器學習也不等同于大數據。大數據中包含有分布式計算、內存數據庫、多維分析等等多種技術。單從分析方法來看，大數據也包含以下四種分析方法：

1.大數據，小分析：即數據倉庫領域的OLAP分析思路，也就是多維分析思想。2.大數據，大分析：這個代表的就是數據挖掘與機器學習分析法。3.流式分析：這個主要指的是事件驅動架構。4.查詢分析：經典代表是NoSQL數據庫。

也就是說，機器學習僅僅是大數據分析中的一種而已。盡管機器學習的一些結果具有很大的魔力，在某種場合下是大數據價值最好的說明。但這并不代表機器學習是大數據下的唯一的分析方法。

第三篇：機器學習基礎教學大綱

教學大綱

1概述

? ? ? ? ? 什么是機器學習

機器學習的典型應用

機器學習與其他研究領域的關系 機器學習研究目標 PAC學習模型 2 理論基礎

? 采樣復雜度

? VC維與生長函數

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? Sauer引理 切諾夫界

McDiarmid不等式 學習子空間（LSP）理論 支持向量機與Margin理論 核化PRR學習模型 TRBF與綠色計算學習前向反饋與誤差反向傳播 卷積神經網絡 深度學習

通過專家建議的預測 加權表決算法 Perceptron算法 Winnow算法

Widrow-Hoff算法 排序問題 一般性界 3 核方法學習神經網絡與深度學習 Online學習排序算法

RankBoost 二分排序

Preference-based Ranking

7強化學習(Reinforcement Learning)? ? ? ? ? ? ? ? ? 馬爾科夫決策過程(MDPs)最優策略 Q學習

Multi-armed bandit 問題 深度強化學習與自主學習投資組合選擇 Minmax理論

重新思考Boosting 卷積神經網絡與IMAGENET 對象/場景三維形狀學習與識別 8 投資組合選擇與博弈論

9機器學習在數字媒體中的典型應用

?

第四篇：學習勤奮的例子

才能來自勤奮學習

俗話說：“臺上一分鐘，臺上十年功。如果一個人很有成就，不是別人給予的，更不是從天上掉下來的。它是靠自己的努力、勤奮爭取的。才能主要來自勤奮學習是不可猜疑的。

每一個人的才能不是天生就有的，而是靠自己的勤奮努力而來的。比如說德國數學家、物理學家和天文學家高斯。他從小就酷愛學習，一生為科學事業做出了巨大貢獻，但是如果他沒有從小的勤奮怒力學習，他也不可能成為著名的科學巨人。沒有勤奮努力的學習是不可能有成就的。這樣的例子有很多很多，可以說每一位有成就的人都曾努力學習、努力探索過。

學習的關鍵在于“肯學”和“敢學”。如果你的愿望是成為一名有成就、有才能讓人敬重的人物，但你又不肯，或不敢去學習最終還是會一事無成的。居里夫人和她的丈夫為了證明鐳的存在，千辛萬苦，冒著可能失去生命的危險，經過他們的勤奮、努力最終提煉出了十分之一克極純凈的氯化鐳，并準確地測定了它的原子量，證實了鐳的存在。這是一次多么讓人驚嘆的事實。正是居里夫人的肯做，敢做才證實了鐳的存在。因此，要想成為有才能的人，就要從小“肯學”、“敢學”。有些人說那些有才能、有成就的人從小就是“天才”、“神童”，像我們再努力有什么用啊。這種想法是錯誤的，他們是天才、神童，不是天生的，而是來自勤奮的學習。勤奮學習是成為“天才”、“神童”的先決條件。經科學家研究，人是智力是有差別的，但是僅僅是差一點點而已。所以說，“天才”、“神童”是靠人們勤奮學習而成為的。

才能來自勤奮學習，牛頓、愛因斯坦、愛迪生、鄭板橋、白居易的事例都可以證明這一點。有許多的偉人為了造福人類，也作了巨大的貢獻。如李時珍的著作《本草綱目》，他走訪了許多地方，經過27過春秋的艱苦努力寫成了這部巨作。狄更斯說過“我所收獲的，是我種下的。”每個人都有機會成為有才能的人，就看你去不去爭取這個機會。才能來自勤奮。我們一定要努力學習。

第五篇：學習勤奮的例子

才能來自勤奮學習

俗話說：“臺上一分鐘，臺上十年功。如果一個人很有成就，不是別人給予的，更不是從天上掉下來的。它是靠自己的努

力、勤奮爭取的。才能主要來自勤奮學習是不可猜疑的。

每一個人的才能不是天生就有的，而是靠自己的勤奮努力而來的。比如說德國數學家、物理學家和天文學家高斯。他從小就酷愛學習，一生為科學事業做出了巨大貢獻，但是如果他沒有從小的勤奮怒力學習，他也不可能成為著名的科學巨人。沒有勤奮努力的學習是不可能有成就的。這樣的例子有很多很多，可以說每一位有成就的人都曾努力學習、努力探索過。

學習的關鍵在于“肯學”和“敢學”。如果你的愿望是成為一名有成就、有才能讓人敬重的人物，但你又不肯，或不敢去學習最終還是會一事無成的。居里夫人和她的丈夫為了證明鐳的存在，千辛萬苦，冒著可能失去生命的危險，經過他們的勤奮、努力最終提煉出了十分之一克極純凈的氯化鐳，并準確地測定了它的原子量，證實了鐳的存在。這是一次多么讓人驚嘆的事實。正是居里夫人的肯做，敢做才證實了鐳的存在。因此，要想成為有才能的人，就要從小“肯學”、“敢學”。

有些人說那些有才能、有成就的人從小就是“天才”、“神童”，像我們再努力有什么用啊。這種想法是錯誤的，他們是天才、神童，不是天生的，而是來自勤奮的學習。勤奮學習是成為“天才”、“神童”的先決條件。經科學家研究，人是智力是有差別的，但是僅僅是差一點點而已。所以說，“天才”、“神童”是靠人們勤奮學習而成為的。

才能來自勤奮學習，牛頓、愛因斯坦、愛迪生、鄭板橋、白居易的事例都可以證明這一點。有許多的偉人為了造福人類，也作了巨大的貢獻。如李時珍的著作《本草綱目》，他走訪了許多地方，經過27過春秋的艱苦努力寫成了這部巨作。

狄更斯說過“我所收獲的，是我種下的。”每個人都有機會成為有才能的人，就看你去不去爭取這個機會。才能來自勤奮。我們一定要努力學習。