第 1 页 / 共 19 页
第 2 页 / 共 19 页
第 3 页 / 共 19 页
第 4 页 / 共 19 页
第 5 页 / 共 19 页
第 6 页 / 共 19 页
第 7 页 / 共 19 页
第 8 页 / 共 19 页
第 9 页 / 共 19 页
第 10 页 / 共 19 页
第 11 页 / 共 19 页
第 12 页 / 共 19 页
第 13 页 / 共 19 页
第 14 页 / 共 19 页
第 15 页 / 共 19 页
第 16 页 / 共 19 页
第 17 页 / 共 19 页
第 18 页 / 共 19 页
第 19 页 / 共 19 页
机器学习（周志华）定义及基本术语（根据周志华的《机器学习》概括）_mitchell 给出了一个更形式化的说明: 对于一个任务 (task, t)
机器学习（周志华）定义及基本术语（根据周志华《机器学习》概括） 机器学习，简单来说，就是让计算机能够从数据中学习，而无需进行显式编程。正如周志华在《机器学习》中所指出的，它是一种让计算机通过经验学习，并根据这些经验对未来进行预测或决策的方法。这与传统的编程方式有着本质的区别——后者需要程序员明确地告诉计算机每一步该怎么做，而前者则允许计算机自己“学习”规律。 任务 (Task, t) 对于理解机器学习，一个至关重要的概念是“任务”（Task, t）。周志华定义任务为“一个要解决的问题”。这可能是一个分类问题，例如识别照片中的猫和狗；也可能是一个回归问题，例如预测股票价格；甚至可能是更复杂的，例如推荐系统中的用户个性化推荐。 每一个任务都对应着一个特定的目标，机器学习算法的目标就是通过学习数据来尽可能地解决这个目标。 模型 (Model) 一个机器学习模型是对数据和目标函数的一种抽象表达。 它将学习到的知识表示为一组参数，这些参数控制着模型对新数据的预测或决策。模型的复杂程度会影响其学习能力和泛化能力。 算法 (Algorithm) 而算法，则是用来构建和训练模型的具体方法。 它包含了如何利用数据和优化目标来调整模型的参数，以达到最佳的性能。 常见的机器学习算法包括线性回归、逻辑回归、支持向量机、决策树等等。 总而言之，机器学习是一个多学科交叉的领域，它融合了统计学、计算机科学、数学等多个领域的知识。 理解这些基本术语对于深入学习和应用机器学习至关重要。
展开
机器学习（周志华）
2025-07-21
12次阅读
资料获取方式
温馨提示：登录学霸英雄官网后可获取更多大学生必备科目和考证等复习备考资料！