ML（机器学习）与 ML（元语言）

在计算机科学领域中，有很多缩写用于表示各种技术，例如 HTML、HTTPS、API 等。但是，有时我们对经常混淆个人(尤其是初学者)的不同工具或技术有一个通用缩写。例如，IDE 代表集成开发环境和集成设备电子。还有其他几个例子。出于同样的考虑，在本文中，我们将看看 ML，它意味着元语言和机器学习。

我们先来谈谈 ML——机器学习：

如今，人工智能是一个不断增长的趋势，因此它的分支机器学习、计算机视觉、自然语言处理、深度学习等。其中，机器学习是人工智能的一部分，它使机器能够学习事物并相应地改进。机器学习的应用几乎遍及所有学科，例如图像识别、语音识别、医疗保健等等。

机器学习技术使用统计数据和数据来学习如何完成指定的任务。在这里，人类必须向机器提供一组数据。然后，该技术通过访问提供的数据来开发计算机程序并启动自学。通过这种方式，机器学习使计算机能够在没有人工干预的情况下执行任务。有不同的方法来进行机器学习：

监督学习：监督学习与学习方法有关，在该方法中，机器使用标记良好的数据进行训练，这意味着某些数据已经用正确答案进行了标记。然后为系统提供一组新数据，以使用学习算法预测正确的结果。

线性回归和分类是监督学习的最佳例子。如果所使用的因变量使得建筑物/房屋的大小随着居住在那里的人数而增加，因此建筑物大小的增加导致建筑物/房屋的增加，则查找房屋的价格是线性回归的一个示例房价。

在分类问题中，我们可以根据输入数据预测不同的类标签(是/否、A 类、B 类、C 类等)。是/否问题的一些基本示例包括将电子邮件分组为垃圾邮件与否，检查病毒感染的结果为阳性或阴性等。其他示例包括将汽车分组为家用汽车与否，对不同的动物和鸟类进行分类等。 所有其中有监督学习的例子。

无监督学习：无监督学习涉及没有先验知识或培训，也没有为培训提供教师的学习方法。无监督学习中不存在先前标记的响应或目标输出。在这里，推断是根据输入数据进行的。在无监督学习的情况下，人工监督率低，使模型或机器自我工作以产生推理。这意味着模型将自行工作以发现模式和信息。

强化学习：强化学习也是一种机器学习范式，类似于监督学习和无监督学习。在这里，我们有一个代理和一个环境。在强化学习中，系统需要在强化代理的帮助下从自己的经验中学习。系统事先不知道正确答案，强化代理决定如何处理所提供的任务本身。代理因执行的操作而获得奖励。这个学习类别是关于软件代理如何在环境中采取行动以最大化获得的累积奖励率。它通常用于预测国际象棋问题和其他游戏的获胜者。

现在，让我们转向 ML 语言 – 元语言

元语言是属于函数式编程家族的通用编程语言。元语言一般代表操作程序的语言。它通常被称为多范式、不纯的函数式语言，因为它展示了一些副作用。该语言具有便于自动内存管理的垃圾系统。该语言还有助于描述与编程语言相关的对象、语法和概念。

ML 的后代包括 Miranda、Haskell、Caml、F# 等。所有这些语言都使定义柯里化函数变得容易。 ML 是一种解释性语言，变量在元语言中是静态范围的。此外，元语言提供了许多内置函数，ML 中的每个函数都需要一个特定类型的参数并返回特定类型的结果。此外，运算符的乐趣用于定义的功能和使用的乐趣定义的函数可以是递归的，以及。

元语言的应用包括生物信息学、编译器设计、自动定理证明、金融系统等。

到目前为止，您一定已经了解元语言和机器学习之间的区别！！