我们在上文中给大家简单分析了人工智能环境下的机器学习平台构建的一些想法和构建要求等内容。而今天我们就再来了解一下,机器学习的学习范围都涵盖了哪些内容。
其实,机器学习跟模式识别,统计学习。数据挖掘。计算机视觉,语音识别,自然语言处理等领域有着非常深的联系。
从范围上来说。机器学习跟模式识别,统计学习。数据挖掘是相似的。同一时候,机器学习与其它领域的处理技术的结合。形成了计算机视觉、语音识别、自然语言处理等交叉学科。因此,一般说数据挖掘时,能够等同于说机器学习。同一时候。我们寻常所说的机器学习应用。应该是通用的,不仅仅局限在结构化数据,还有图像,音频等应用。
模式识别
模式识别=机器学习
两者的主要差别在于前者是从工业界发展起来的概念。后者则主要源自计算机学科。在著名的《PatternRecognitionAndMachineLearning》这本书中,在开头是这样说的“模式识别源自工业界,而机器学习来自于计算机学科。
只是,它们中的活动能够被视为同一个领域的两个方面,同一时候在过去的10年间,它们都有了长足的发展”。
数据挖掘
数据挖掘=机器学习+数据库
这几年数据挖掘的概念实在是太耳熟能详。差点儿等同于炒作。
但凡说数据挖掘都会吹嘘数据挖掘怎样怎样。比如从数据中挖出金子,以及将废弃的数据转化为价值等等。可是,我虽然可能会挖出金子。但我也可能挖的是“石头”啊。
这个说法的意思是。数据挖掘仅仅是一种思考方式。告诉我们应该尝试从数据中挖掘出知识。但不是每一个数据都能挖掘出金子的,所以不要神话它。一个系统绝对不会由于上了一个数据挖掘模块就变得无所不能(这是IBM喜欢吹嘘的)。恰恰相反,一个拥有数据挖掘思维的人员才是关键。而且他还必须对数据有深刻的认识,这样才可能从数据中导出模式指引业务的改善。大部分数据挖掘中的算法是机器学习的算法在数据库中的优化。
统计学习
统计学习近似等于机器学习
统计学习是个与机器学习高度重叠的学科。由于机器学习中的大多数方法来自统计学,甚至能够觉得。统计学的发展促进机器学习的繁荣昌盛。比如著名的支持向量机算法,就是源自统计学科。可是在某种程度上两者是有分别的,这个分别在于:统计学习者重点关注的是统计模型的发展与优化,偏数学,而机器学习者更关注的是能够解决问题,偏实践,因此机器学习研究者会重点研究学习算法在计算机上运行的效率与准确性的提升。
计算机视觉
计算机视觉=图像处理+机器学习
图像处理技术用于将图像处理为适合进入机器学习模型中的输入,机器学习则负责从图像中识别出相关的模式。
计算机视觉相关的应用非常的多。比如识图、手写字符识别、车牌识别等等应用。这个领域是应用前景非常火热的。同一时候也是研究的热门方向。随着机器学习的新领域深度学习的发展,大大促进了计算机图像识别的效果。因此未来计算机视觉界的发展前景不可估量。
语音识别
语音识别=语音处理+机器学习
语音识别就是音频处理技术与机器学习的结合。语音识别技术一般不会单独使用,通常会结合自然语言处理的相关技术。眼下的相关应用有苹果的语音助手siri等。
自然语言处理
自然语言处理=文本处理+机器学习
自然语言处理技术主要是让机器理解人类的语言的一门领域。
在自然语言处理技术中,大量使用了编译原理相关的技术,比如词法分析,语法分析等等,除此之外,在理解这个层面,则使用了语义理解,机器学习等技术。作为由人类自身创造的符号,自然语言处理一直是机器学习界不断研究的方向。依照机器学习专家余凯的说法“听与看,说白了就是阿猫和阿狗都会的。而仅仅有语言才是人类独有的”。怎样利用机器学习技术进行自然语言的的深度理解。一直是工业和学术界关注的焦点。
【免责声明】本文系本网编辑部分转载,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题,请在30日内与管理员联系,我们会予以更改或删除相关文章,以保证您的权益!