1.1机械学习的标志
监督学习和无监督学习、在线学习和批量学习、基于实例学习和基于模型学习
1.2什么是机器学习
一个计算机程序利用经验E来学习任务T，性能是P，如果针对任务T的性能P随着经验E不断增长，则称为机器学习。
例如，垃圾邮件过滤器就是一个机器学习程序，它可以根据垃圾邮件（比如，用户标记的垃圾邮件）和普通邮件（非垃圾邮件，也称作ham）学习标记垃圾邮件。系统用来进行学习的样例称作训练集。每个训练样例称作训练实例（或样本）。在这个示例中，任务T就是标记新邮件是否是垃圾邮件，经验E是训练数据，性能P需要定义。例如，可以使用正确分类邮件的比例。这个性能指标称为准确率，通常用在分类任务中。
1.3机器学习的应用示例
- 分析生产线上的产品图像来对产品进行自动分类.
这是图像分类问题，使用卷积神经网络（CNN，见第14章）的典型示例。
- 通过脑部扫描发现肿瘤
这是语义分割，图像中的每个像素都需要被分类（当我们想确定肿瘤的确切位置和形状时），也使用CNN。
- 自动分类新闻,文本分类
这是自然语言处理（NLP），更具体地是文本分类，可以使用循环神经网络（RNN）、CNN或者Transformer
- 创建一个聊天机器人或者个人助理
这涉及自然语言处理的很多分支，包括自然语言理解（NLU）和问答模块。
- 基于很多性能指标来预测公司下一年的收入这是一个回归问题（如预测值）
需要使用回归模型进行处理，例如线性回归或多项式回归（见第4章）、SVM回归（见第5章）、随机森林回归（见第7章）或者人工神经网络（见第10章），如果考虑过去的性能指标，可以使用RNN、CNN或者Transformer（见第15章和第16章）。
- 让应用对语音命令做出反应这是语音识别，要求能处理音频采样。
因为音频是很长、很复杂的序列，所以一般使用RNN、CNN或者Transformer（见第15章和第16章）进行处理。
标签：实战,机器,回归,分类,学习,垃圾邮件,CNN From： https://www.cnblogs.com/s2325959037/p/17126986.html