设计机器学习中的学习系统

根据 Arthur Samuel 的说法，“机器学习使机器能够自动从数据中学习，从体验中提高性能并在没有明确编程的情况下预测事物。”

简而言之，当我们将训练数据输入机器学习算法时，该算法将生成一个数学模型，并且在数学模型的帮助下，机器将做出预测并做出决定，而无需明确编程。此外，在训练数据期间，使用的机器越多，获得的经验就越多，获得的经验越多，产生的结果就越有效。

示例：在无人驾驶汽车中，将训练数据输入到算法中，例如如何在高速公路、繁忙和狭窄的街道上驾驶汽车，并考虑限速、停车、信号停止等因素。之后，在模型上创建逻辑和数学模型在此基础上，之后，汽车将根据逻辑模型工作。此外，提供的数据越多，产生的输出就越有效。

设计机器学习中的学习系统：

根据汤姆·米切尔（Tom Mitchell）的说法，“就某些任务（T）而言，据说计算机程序正在从经验（E）中学习。因此，绩效衡量（P）是任务 T 的绩效，由 P 衡量，并且随着经验 E 的提高而提高。”

示例：在垃圾邮件检测中，

• 任务，T：将邮件分类为垃圾邮件或非垃圾邮件。
• 绩效衡量，P：被正确分类为“垃圾邮件”或“非垃圾邮件”的邮件的总百分比。
• 经验，E：带有“垃圾邮件”标签的邮件集

设计学习系统的步骤是：

步骤 1) 选择训练体验：非常重要和首要的任务是选择将提供给机器学习算法的训练数据或训练体验。重要的是要注意，我们提供给算法的数据或经验必须对模型的成功或失败产生重大影响。所以应该明智地选择训练数据或经验。

以下是影响数据成功和失败的属性：

• 培训经验将能够提供有关选择的直接或间接反馈。例如：在下国际象棋时，训练数据将向自身提供反馈，而不是这一举措，如果选择这一举措，成功的机会就会增加。
• 第二个重要属性是学习者控制训练示例序列的程度。例如：当将训练数据输入机器时，当时的准确性非常低，但是当它在与自己或对手反复下棋时获得经验时，机器算法将获得反馈并相应地控制国际象棋游戏。
• 第三个重要属性是它将如何表示将测量性能的示例分布。例如，机器学习算法将在经历许多不同的案例和不同的例子时获得经验。因此，机器学习算法将通过越来越多的示例获得越来越多的经验，因此其性能将会提高。

步骤 2- 选择目标函数：下一个重要步骤是选择目标函数。这意味着根据提供给算法的知识，机器学习将选择 NextMove函数，该函数将描述应采取何种类型的合法移动。例如：在与对手下棋时，当对手下棋时，机器学习算法将决定为了获得成功而可能采取的合法移动的数量。

步骤 3- 为目标函数选择表示：当机器算法将知道所有可能的合法移动时，下一步是使用任何表示选择优化移动，即使用线性方程、层次图表示、表格形式等。 NextMove函数将移动目标移动就像这些移动一样，这将提供更高的成功率。例如：在下棋时机器有 4 个可能的移动，因此机器将选择优化的移动，这将为其提供成功。

第 4 步 - 选择函数逼近算法：仅使用训练数据不能选择优化的移动。训练数据必须经过一组示例，并且通过这些示例，训练数据将近似选择哪些步骤，然后该机器将提供有关它的反馈。例如：当一个下棋的训练数据被输入到算法中时，不是机器算法会失败或成功，并且再次从失败或成功中测量下一步应该选择什么步骤，它是什么成功率。

第 5 步 - 最终设计：当系统从示例数量、失败和成功、正确和错误决策以及下一步将是什么等方面最终创建最终设计。示例：DeepBlue 是基于 ML 的智能计算机赢得了国际象棋专家加里卡斯帕罗夫的国际象棋比赛，成为第一台击败人类国际象棋专家的计算机。