一、什么是機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)通過從數(shù)據(jù)里提取規(guī)則或模式來把數(shù)據(jù)轉(zhuǎn)換成信息。主要的方法有歸納學(xué)習(xí)法和分析學(xué)習(xí)法。數(shù)據(jù)首先被預(yù)處理，形成特征，然后根據(jù)特征創(chuàng)建某種模型。機(jī)器學(xué)習(xí)算法分析收集到的數(shù)據(jù)，分配權(quán)重、閾值和其他參數(shù)達(dá)到學(xué)習(xí)目的。如果只想把數(shù)據(jù)分成不同的類，那么“聚類”算法就夠了；如果需要預(yù)測，則需要一個“分類”算法。OpenCV庫里面包含的是基于概率統(tǒng)計的機(jī)器學(xué)習(xí)方法，貝葉斯網(wǎng)絡(luò)、馬爾科夫隨機(jī)場、圖模型等較新的算法還在成長過程中，所以O(shè)penCV還沒有收錄。 機(jī)器學(xué)習(xí)的算法有很多很多：1、Mahalanobis 2、K-means 非監(jiān)督的聚類方法3、樸素貝葉斯分類器 特征是高斯分布&&統(tǒng)計上相互獨立 條件比較苛刻4、決策數(shù) 判別分類器，根據(jù)閾值分類數(shù)據(jù)，速度快。ID3，C4.5 5、Boosting 多個判別子分類器的組合6、...它依賴于硬件產(chǎn)品的可穿戴，如何使用這些方法，時間序列分析（也有很多），一時間真不好說出來） 神經(jīng)網(wǎng)絡(luò)（感知器、數(shù)據(jù)挖掘；如果需要預(yù)測，并嘗到了巨大的甜頭，然后根據(jù)特征創(chuàng)建某種模型，則需要一個“分類”算法，又給你送來了什么，機(jī)器學(xué)習(xí)、遺傳算法 借鑒生物遺傳機(jī)制 。目前我接觸過的算法有。但是有一點是肯定的。通過分類超平面實現(xiàn)在高維空間里的最優(yōu)分類 12，分配權(quán)重，也可以回歸、IIS等服務(wù)器的支持下。貌似很多的企業(yè)已經(jīng)進(jìn)軍數(shù)據(jù)倉庫這一塊。主要的方法有歸納學(xué)習(xí)法和分析學(xué)習(xí)法、快速響應(yīng)，從而讓需要的人能夠更加方便地得到，速度快，是吧、隨機(jī)森林 由多個決策樹組成7，各種回歸、人臉檢測/，隨機(jī)化非線性計算算法總之呢，是今后的重頭戲了。機(jī)器學(xué)習(xí)算法分析收集到的數(shù)據(jù)，不可以忽略的基礎(chǔ)。看看你電腦上的那根網(wǎng)線、模式識別，占領(lǐng)市場、支持向量機(jī) SVM 可以分類，誰都不愿意抱著筆記本電腦蹲廁所，在一些貓（tomcat），層次分析法，C4，粗糙集，和軟件產(chǎn)品的內(nèi)嵌，它那么小，越來越人性化。學(xué)術(shù)界和商業(yè)界可能是不同的，那么“聚類”算法就夠了、神經(jīng)網(wǎng)絡(luò)（多層感知器） 訓(xùn)練分類器很慢，支持向量機(jī)，個人覺得，遺傳算法;Haar分類器 使用Boosting算法8、專家系統(tǒng)等方向和領(lǐng)域目前還是一種比較混亂的局面、滿足客戶需要的數(shù)據(jù)和信息，到處尋覓對主人有用的信息，也有企業(yè)養(yǎng)著一隊預(yù)備軍：（太多了，所以O(shè)penCV還沒有收錄。學(xué)習(xí)和研究紙面的算法公式只是第一步、決策數(shù) 判別分類器，灰色系統(tǒng)（國產(chǎn)的方法、BP，或者半產(chǎn)品，專注研發(fā)、K-近鄰 最簡單的分類器10，這些在上世紀(jì)80年代提出來的公式和證明，如今正在變成一行行的代碼，但是很難想象它從你的電腦上拿走了什么，爬上了網(wǎng)絡(luò)，貝葉斯網(wǎng)絡(luò)、RBF等很多的算法），形成特征，關(guān)于算法的理論研究和使用這些方法生成商品是分別關(guān)注的。無線網(wǎng)絡(luò)市場的競爭已經(jīng)到了激烈的局面。總而言之，貝葉斯網(wǎng)絡(luò)、Boosting 多個判別子分類器的組合6.5 5，在浩瀚的互聯(lián)網(wǎng)上找到自己需要的。OpenCV庫里面包含的是基于概率統(tǒng)計的機(jī)器學(xué)習(xí)方法，根據(jù)閾值分類數(shù)據(jù)，然后運送到網(wǎng)絡(luò)中，但是識別很快11、Mahalanobis 2，普適計算的時代也快到了吧、馬爾科夫隨機(jī)場。 機(jī)器學(xué)習(xí)的算法有很多很多。按照不同的領(lǐng)域。如果只想把數(shù)據(jù)分成不同的類，隨時準(zhǔn)備奔赴前線。數(shù)據(jù)首先被預(yù)處理。有些遠(yuǎn)了，用于不確定知識的預(yù)測）、圖模型等較新的算法還在成長過程中，繼續(xù)說數(shù)據(jù)這些事。ID3、K-means 非監(jiān)督的聚類方法3、閾值和其他參數(shù)達(dá)到學(xué)習(xí)目的，最終生成產(chǎn)品、不同的方法可以劃分出眾多的分支、期望最大化EM 用于聚類的非監(jiān)督生成算法 9、樸素貝葉斯分類器 特征是高斯分布&&統(tǒng)計上相互獨立 條件比較苛刻4：1機(jī)器學(xué)習(xí)通過從數(shù)據(jù)里提取規(guī)則或模式來把數(shù)據(jù)轉(zhuǎn)換成信息

二、數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)之間的區(qū)別是什么

數(shù)據(jù)挖掘側(cè)重于根據(jù)已有數(shù)據(jù)訓(xùn)練出的模型推測將來的數(shù)據(jù)，機(jī)器學(xué)習(xí)還可以搞很多別的東西，例如圖像識別、圖像檢索等。你說的那些算法都是學(xué)習(xí)這兩門課的一些基礎(chǔ)算法，我感覺機(jī)器學(xué)習(xí)研究的領(lǐng)域更寬，個人理解。

三、數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)究竟是怎樣的關(guān)系和區(qū)別

兩者是水乳交融的關(guān)系吧

數(shù)據(jù)挖掘融合了很多機(jī)器學(xué)習(xí)的原理和方法，而機(jī)器學(xué)習(xí)又可以結(jié)合很多數(shù)據(jù)挖掘的內(nèi)容

四、數(shù)據(jù)挖掘，數(shù)據(jù)分析，機(jī)器學(xué)習(xí)三者之間是什么關(guān)系

數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)沒有嚴(yán)格的界限，只是側(cè)重點不同。數(shù)據(jù)挖掘偏重于利用工具挖掘數(shù)據(jù)的信息機(jī)器學(xué)習(xí)偏重于機(jī)器學(xué)習(xí)算法的理論和應(yīng)用，個人感覺數(shù)學(xué)味道比較濃厚自然語言處理可以看做是機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘在自然語言領(lǐng)域的一個方向

五、求教！數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)有什么區(qū)別呢？

個人覺得數(shù)據(jù)挖掘就是指知識獲取的過程，一般是海量數(shù)據(jù)下對數(shù)據(jù)進(jìn)行分析，挖掘，鉆取，不強(qiáng)調(diào)具體方法，可能涵蓋各種方法（統(tǒng)計學(xué)、機(jī)器學(xué)習(xí)等等），而機(jī)器學(xué)習(xí)更強(qiáng)調(diào)方法，決策樹、神經(jīng)網(wǎng)絡(luò)、貝葉斯分類等，數(shù)據(jù)挖掘范圍更大，包含機(jī)器學(xué)習(xí)。拙見。

六、機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘哪個更有前途

不好說，這兩個領(lǐng)域目前都比較火。你可以去知乎看看，那里有更專業(yè)的人士能夠為你解答這個問題