【机器学习】基本概念

       模式识别：输入原始数据并根据其类别进行相应行为的能力。举个例子来说，人类能轻易辨别人脸，识别语音，阅读手写文字，都依赖于                             人类进化过程中进化出的高度复杂的神经和认知系统<模式识别能力>

       

      模式识别系统：完成一个完整模式识别过程所需功能模块的集合。典型的模块包括：传感器、分割器、特征提取器、分类器、后处理器。 

                                 

     

设计循环：设计一个模式识别系统主要涉及几个步骤的重复:数据采集、特征选择、模型选择、训练                       和评估。<右图>

 

数据采集：采集足够的、典型的样本数据作为模型进行训练数据。

 

特征选择：根据特定问题领域的性质，选择有明显区分意义的特征。

 

模型选择：根据获得的特征选择恰当的模型来进行训练或识别。

 

训练：使用已获得的样本进行模型参数调整。

 

评价：根据一定指标评估一个模型的性能。

 

计算复杂度：计算机的处理能力有限，任何模型都需考虑所需的计算机运行能力。

 

学习与适应：有监督学习、无监督学习、强化学习。

 

有监督学习：对于给定的样例输入，有确定的输出。

 

无监督学习：对于给定的样例输入，输出不确定。

 

强化学习：训练模式分类器的典型做法是，给定一个输入类别，计算输出类别，并与已知的类别标                      记做比较，根据差异来改善分类器的性能。在强化学习中，并不需要指明类别标志的监                      督信号，而只对任务分类结果给予正确性反馈。