机器学习

维基百科，自由的百科全书

机器学习，是人工智能的一个子领域，主要关注于开发一些让计算机可以自动“学习”的技术。更具体说，机器学习是一种用于创建数据集分析分析程序的方法。机器学习跟统计学有着重要的关系，因为这两个领域都是研究数据分析，但是又不像统计学，机器学习关注的是计算实现的算法复杂度。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。

机器学习已经有了十分广泛的应用例如生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、计算机视觉、战略游戏和机器人运用。

[编辑] 机器学习相关条目

下面的条目涉及到典型的机器学习技术

构造条件概率：回归分析和分类
- 人工神经网络
- 决策树
- 高斯过程回归
- 现行判别分析
- k-Nearest Neighbor
- 感知器
- 放射基函数
- 支持向量机
通过再生模型构造概率密度函数：
- 最大期望算法
- graphical model：包括贝叶斯网络和Markov随机域
- Generative Topographic Mapping
近似推断技术：
- 马可夫链蒙特卡罗方法
- 变分法
最优化(数学)：大多数以上方法直接或者间接使用最优化算法。

[编辑] 参看

人工智能
计算智能
数据挖掘
模式识别
机器学习方面重要出版物 (计算机科学)
机器学习方面重要出版物 (统计学)
自主控制机器人
归纳逻辑编程
决策树
神经网络
强化学习
贝叶斯学习
最近邻
计算学习理论

[编辑] 参考书目

Bishop, C. M. (1995). 模式识别神经网络, 牛津大学出版社. ISBN 0198538642
Richard O. Duda, Peter E. Hart, David G. Stork (2001) 模式识别 (第2版), Wiley, New York, ISBN 0471056693.
MacKay, D. J. C. (2003). 信息理论，参考和学习算法, 剑桥大学出版社 ISBN 0521642981
Mitchell, T. (1997). 机器学习, McGraw Hill. ISBN 0070428077
Sholom Weiss, Casimir Kulikowski (1991). Computer Systems That Learn, Morgan Kaufmann. ISBN 1-55860-065-5