机器学习简介

1、机器学习简介

当处理某个复杂而又有某种规律的任务时，比如从一堆图片中识别出红绿灯，机器学习与非机器学习的基本不同点是，不需要为该任务来编写特定的规则（实际问题的规则通常难以用代码表述或规则太多无法表述全面）。机器学习只需设计好学习机制，这种学习机制相对普通的“特征提取、识别+专家规则”的编程来说非常简单。然后喂给它大量的数据，它就能从中学到规律，调整自身参数，最终很好地完成指定的任务。

机器学习的过程，可以看做是要设计这样一个黑箱：

不断提供学习数据给黑箱；

经过该黑箱处理后输出相应的结果；

通过比较黑箱输出结果与预期结果的差异来不断地调整黑箱中的参数，使黑箱的最终输出结果与预期的结果越来越接近，从而达到学习目的。

机器学习为我们解决某些特定的问题提供了一种新的机制。当然，也不是说机器学习对所有问题都可以适用，它们各自有其优缺点。比如在无人车的应用上，针对路径跟踪控制问题，基于模型的预测控制的跟踪精度和转向平顺性就相对更好；而针对车辆、行人、交通标志识别、可行驶区域检测、车道线检测等问题，机器学习则有其擅长的地方。



模型预测控制


车辆识别 Bounding Box


可行驶区域检测 Free Space


车道线检测 Lane Detection
2、机器学习算法分类

根据机器学习的方式，可以分为三大类：监督学习、无监督学习和强化学习。

2.1、监督学习

监督学习：给定带标签的数据，预测未来数据的标签。即使用预定义的训练数据集合来训练系统，通过调整系统内部参数，不断纠正其输出，系统一直被训练，直到达到所需要的准确度。

常用来解决分类、回归等问题。如：小学生认字。

2.2、无监督学习

无监督学习：给定无标签的数据，寻找隐藏的模式。即给系统一堆无标签数据，需要由它自己检测数据中的模式或关系。

常用来解决聚类、降维等问题。如：客户群分类。

2.3、强化学习

强化学习：给定数据，学习如何选择一系列的动作，使长期收益最大化。即是一个连续决策的过程，这个过程类似监督学习，只是标注数据不是预先准备好的，而是通过一定时间的过程奖励来调整，最终需要能给出当前的最佳动作。

常用来解决动态规划、马尔科夫决策过程等问题。如：下象棋。

不太懂？有没有详细介绍？

啊啊啊啊啊啊啊啊啊啊啊

为了三千积分！