1.1　机器学习应用

通俗来讲，机器学习是指从数据中习得有用知识的技术。按学习模式分类，机器学习可以分为监督学习（Supervised Learning）、无监督学习（Unsupervised Learning）和强化学习（Reinforcement Learning）等。

（1）监督学习是已知输入和输出的对应关系下的机器学习场景。比如给定输入图像和它对应的离散标签。

（2）无监督学习是只有输入数据但不知道输出标签下的机器学习场景。比如给定一堆猫和狗的图像，系统自主学会猫和狗的分类，这种无监督分类也称为聚类（Clustering）。

（3）强化学习则是给定一个学习环境和任务目标，算法自主地不断改进以实现任务目标。比如AlphaGo围棋就是用强化学习实现的，给定的环境是围棋的规则，而目标则是胜利得分。

从应用领域上划分，机器学习应用包括计算机视觉、自然语言处理和智能决策等。狭义上来讲，基于图像的应用都可归为计算机视觉方面的应用，典型的应用有人脸识别、物体识别、目标跟踪、人体姿态估计、图像理解等。计算机视觉方法广泛应用于自动驾驶、智慧城市、智慧安防等领域。

自然语言处理涉及文本或者语音方面的应用，典型的应用包括语言翻译、文本转语音、语音转文本、文本理解、图片风格变换等。计算机视觉和自然语言处理有很多交集，如图像的文本描述生成、基于文本的图像生成、基于文本的图像处理等应用都同时涉及语言和图像两种数据类型。

智能决策的应用往往通过结合计算机视觉、自然语言处理、强化学习、控制论等技术手段，实现决策类任务。智能决策方法广泛用于机器人、自动驾驶、游戏、推荐系统、智能工厂、智能电网等领域。

不同的机器学习应用底层会应用不同的机器学习算法，如支持向量机（Support Vector Machine，SVM）、逻辑回归（Logistic Regression）、朴素贝叶斯（Naive Bayes）算法等。近年来，得益于海量数据的普及，神经网络（Neural Networks）算法的进步和硬件加速器的成熟，深度学习（Deep Learning）开始蓬勃发展。虽然机器学习算法很多，但无论是经典算法还是深度学习算法的计算往往以向量和矩阵运算为主体，因此本书主要以神经网络为例展开机器学习系统的介绍。