機器學(xué)習(xí)是一種數(shù)據(jù)分析技術(shù)，讓計算機執(zhí)行人和動物與生俱來的活動：從經(jīng)驗中學(xué)習(xí)。

技能挑戰(zhàn)

MATLAB 微信公眾號回復(fù)【M測試】，10 道選擇題考驗?zāi)愕臋C器學(xué)習(xí)技能！敢來試試嗎？

機器學(xué)習(xí)算法使用計算方法直接從數(shù)據(jù)中“學(xué)習(xí)”信息，而不依賴于預(yù)定方程模型。當可用于學(xué)習(xí)的樣本數(shù)量增加時，這些算法可自適應(yīng)提高性能。隨著大數(shù)據(jù)應(yīng)用增加，機器學(xué)習(xí)已成為解決以下領(lǐng)域問題的一項關(guān)鍵技術(shù)：

計算金融學(xué)，用于信用評估和算法交易

圖像處理和計算機視覺，用于人臉識別、運動檢測和對象檢測

計算生物學(xué)，用于腫瘤檢測、藥物發(fā)現(xiàn)和 DNA 序列分析

能源生產(chǎn)，用于預(yù)測價格和負載

汽車、航空航天和制造業(yè)，用于預(yù)見性維護

自然語言處理，用于語音識別應(yīng)用

視頻：什么是機器學(xué)習(xí)？

機器學(xué)習(xí)算法能夠在產(chǎn)生洞察力的數(shù)據(jù)中發(fā)現(xiàn)自然模式，幫助您更好地制定決策和做出預(yù)測。醫(yī)療診斷、股票交易、能量負荷預(yù)測及更多行業(yè)每天都在使用這些算法制定關(guān)鍵決策。例如，媒體網(wǎng)站依靠機器學(xué)習(xí)算法從數(shù)百萬種選項中篩選出為您推薦的歌曲或影片。零售商利用這些算法深入了解客戶的購買行為。

何時應(yīng)該使用機器學(xué)習(xí)？

當您遇到涉及大量數(shù)據(jù)和許多變量的復(fù)雜任務(wù)或問題，但沒有現(xiàn)成的處理公式或方程式時，可以考慮使用機器學(xué)習(xí)。例如，如果您需要處理以下情況，使用機器學(xué)習(xí)是一個很好的選擇：

機器學(xué)習(xí)的工作原理

機器學(xué)習(xí)采用兩種技術(shù)：監(jiān)督式學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。監(jiān)督式學(xué)習(xí)根據(jù)已知的輸入和輸出訓(xùn)練模型，讓模型能夠預(yù)測未來輸出；無監(jiān)督學(xué)習(xí)從輸入數(shù)據(jù)中找出隱藏模式或內(nèi)在結(jié)構(gòu)。

監(jiān)督式機器學(xué)習(xí)能夠根據(jù)已有的包含不確定性的數(shù)據(jù)建立一個預(yù)測模型。監(jiān)督式學(xué)習(xí)算法接受已知的輸入數(shù)據(jù)集（包含預(yù)測變量）和對該數(shù)據(jù)集的已知響應(yīng)（輸出，響應(yīng)變量），然后訓(xùn)練模型，使模型能夠?qū)π螺斎霐?shù)據(jù)的響應(yīng)做出合理的預(yù)測。

監(jiān)督式學(xué)習(xí)采用分類和回歸技術(shù)開發(fā)預(yù)測模型。

分類技術(shù)可預(yù)測離散的響應(yīng)—如果您的數(shù)據(jù)能進行標記、分類或分為特定的組或類，則使用分類。

用于實現(xiàn)分類的常用算法包括：支持向量機 (SVM)、提升 (boosted) 決策樹和袋裝 (bagged)決策樹、k-最近鄰、樸素貝葉斯 (Na?ve Bayes)、判別分析、邏輯回歸和神經(jīng)網(wǎng)絡(luò)。

回歸技術(shù)可預(yù)測連續(xù)的響應(yīng)—如果您在處理一個數(shù)據(jù)范圍，或您的響應(yīng)性質(zhì)是一個實數(shù)（比如溫度，或一件設(shè)備發(fā)生故障前的運行時間），則使用回歸方法。

常用回歸算法包括：線性模型、非線性模型、規(guī)則化、逐步回歸、提升 (boosted)和袋裝 (bagged)決策樹、神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)模糊學(xué)習(xí)。

無監(jiān)督學(xué)習(xí)可發(fā)現(xiàn)數(shù)據(jù)中隱藏的模式或內(nèi)在結(jié)構(gòu)。這種技術(shù)可根據(jù)未做標記的輸入數(shù)據(jù)集得到推論。

聚類是一種最常用的無監(jiān)督學(xué)習(xí)技術(shù)。這種技術(shù)可通過探索性數(shù)據(jù)分析發(fā)現(xiàn)數(shù)據(jù)中隱藏的模式或分組。

用于執(zhí)行聚類的常用算法包括：k-均值和 k-中心點（k-medoids）、層次聚類、高斯混合模型、隱馬爾可夫模型、自組織映射、模糊 c-均值聚類法和減法聚類。

入門視頻

在 MATLAB 微信公眾號回復(fù)【機器學(xué)習(xí)入門教程】，獲取《機器學(xué)習(xí)快速入門》系列視頻，全面介紹實用的 MATLAB 機器學(xué)習(xí)方法，包括：

線性回歸

判別分析

決策樹

支持向量機（SVM）

k近鄰算法（K-NN）

k均值聚類算法（k-means）

選擇合適的機器學(xué)習(xí)算法

沒有最佳方法或萬全之策。找到正確的算法只是試錯過程的一部分——即使是經(jīng)驗豐富的數(shù)據(jù)科學(xué)家，也無法說出某種算法是否無需試錯即可使用。但算法的選擇還取決于您要處理的數(shù)據(jù)的大小和類型、您要從數(shù)據(jù)中獲得的洞察力以及如何運用這些洞察力。

下面是選擇監(jiān)督式或者無監(jiān)督機器學(xué)習(xí)的一些準則：

在以下情況下選擇監(jiān)督式學(xué)習(xí)：您需要訓(xùn)練模型進行預(yù)測（例如溫度和股價等連續(xù)變量的值）或者分類（例如根據(jù)網(wǎng)絡(luò)攝像頭的錄像片段確定汽車的技術(shù)細節(jié)）。

在以下情況下選擇無監(jiān)督學(xué)習(xí)：您需要深入了解數(shù)據(jù)并希望訓(xùn)練模型找到好的內(nèi)部表示形式，例如將數(shù)據(jù)拆分到集群中。

MATLAB 機器學(xué)習(xí)

如何借助機器學(xué)習(xí)的力量，使用數(shù)據(jù)做出更好的決策？MATLAB 讓機器學(xué)習(xí)簡單易行。借助用于處理大數(shù)據(jù)的工具和函數(shù)，以及讓機器學(xué)習(xí)發(fā)揮作用的應(yīng)用程序，MATLAB 是將機器學(xué)習(xí)應(yīng)用于您的數(shù)據(jù)分析的理想環(huán)境。

使用 MATLAB，工程師和數(shù)據(jù)科學(xué)家可以立即訪問預(yù)置的函數(shù)、大量的工具箱以及用于分類、回歸和聚類的專門應(yīng)用程序。MATLAB 可以做到：

比較各種方法，例如邏輯回歸、分類樹、支持向量機、集成方法和深度學(xué)習(xí)。

使用模型精化和縮減技術(shù)創(chuàng)建能夠最好地捕捉預(yù)測能力的精確模型。

將機器學(xué)習(xí)模型集成到企業(yè)系統(tǒng)、集群和云中，并且將模型定位于實時嵌入式硬件。

為嵌入式傳感器分析工具執(zhí)行自動代碼生成。

支持從數(shù)據(jù)分析到部署的集成工作流程。

有趣的應(yīng)用

機器學(xué)習(xí)算法實現(xiàn)藝術(shù)鑒賞

小即是好—昆蟲大腦完勝機器學(xué)習(xí)

把 AI 基因植入您的工作流程

MATLAB 填補數(shù)據(jù)科學(xué)家的空白