训练是地球上任何生物体内所固有的一种普遍技能。
学习是通过经验或学习获得的知识和技能。 这是团结我们的同时又使我们与众不同。 这是随着时间的推移而发展的。
如果我说“汽车也可以学习”怎么办？我们生活在机器人技术，人工智能和机器学习发展的美好时期。 机器学习仍然是一个相当新的概念。 我们可以教机器如何学习，有些机器可以自己学习。 魔术！
本文将向您介绍机器学习的基础知识。
您需要了解的最重要的事情：机器可以根据过去来预测未来。
什么是机器学习？机器学习假定计算机可以通过示例识别模式，而不是通过特定规则进行编程。 这些模式包含在数据中。
机器学习是算法（一组规则）的创建，这些算法从数据的复杂功能（模板）中学习并进行预测。
这分为
三个阶段 ：
1）数据分析
2）寻找模式
3）基于模式的预测
机器学习应用可以在哪里使用机器学习的概述- 医疗保健：为医生预测患者的诊断
- 社交网络：预测约会网站上的兼容性
- 财务：预测信用卡欺诈
- 电子商务：预测客户流失
- 生物学：寻找可能导致癌症的基因突变模式
汽车如何学习？我不想让您感到困惑，所以我只想说机器是通过在大型数据集中查找相似数据来学习的。 数据传输到机器的次数越多，它就越“智能”。
并非所有数据都相同。 假设您是海盗，而您的目标是在岛上某个地方找到宝藏。 为此，您需要很多信息。 像数据一样，这些信息可以引导您朝着正确的方向或向错误的方向发展。 收到的信息/数据越准确，成功的机会就越大。 因此，重要的是要考虑进行培训的数据类型。
但是，在获得足够的数据之后，机器可以进行预测。 机器可以预测未来，直到未来与过去大不相同为止。
机器学习的类型机器学习主要分为三类：
有监督的学习 ：机器从所选数据中学习。 通常，数据是人们注意到的。
无监督学习 ：机器未从所选数据中学习。 关键是，在数据中没有“正确”的答案，机器必须找到对象之间的关系。
强化学习 ：机器通过基于奖励的系统学习。
1.监督学习（教师培训）与老师一起学习是最常见和研究最多的机器学习类型，因为使用选定的数据来训练机器更容易。 根据您要预测的内容，可以使用与老师一起教来解决两种类型的问题：回归问题和分类问题。
回归目标：例如，如果要预测连续值，请尝试以度为单位预测房屋或街道天气的值，请使用回归。 这种类型的任务没有具体的值限制，因为该值可以是任何数量，没有限制。
分类任务：如果您要预测离散值，例如对事物进行分类，请使用分类。 问题“一个人会购物”的答案分为两个特定类别：是或否。 有效答案的数量当然是。
2.无监督学习（无老师学习）由于机器没有用于训练的标记数据，因此在没有老师的情况下进行机器学习的目的是检测数据中的模式并将其分组。
没有老师学习可以解决两种类型的问题：聚类问题和寻找关联规则的任务。
集群任务：没有老师的学习解决了聚类的问题，发现了数据的相似性。 如果存在公共群集或组，则算法将以特定形式对它们进行分类。 这方面的一个示例是根据客户过去的购买进行分组。
查找关联规则的任务：在没有老师的情况下学习可以通过理解不同小组的规则和含义来解决这个问题。 一个明显的例子是搜索客户购买之间的关系。 商店可以找出一起购买了哪些产品，并将这些信息用于销售。 一项研究发现，购买啤酒和尿布之间有着密切的关系。 事实证明，外出为孩子购买尿布的男人也倾向于自己购买啤酒。
3.强化学习这种类型的机器学习需要使用奖励/惩罚系统。 目标是在正确学习时奖励汽车，并在错误学习时惩罚机器。
强化学习实例-学习机如何学习游戏（
国际象棋，围棋 ）
-
超级马里奥 ，如何学习和玩耍
我们讨论了机器学习的基础知识，该主题很有趣并且很有前途，所以请不要浪费时间来学习更多。
机器学习入门指南 :)