1.1　機器學習應用

通俗來講，機器學習是指從數據中習得有用知識的技術。按學習模式分類，機器學習可以分為監督學習（Supervised Learning）、無監督學習（Unsupervised Learning）和強化學習（Reinforcement Learning）等。

（1）監督學習是已知輸入和輸出的對應關系下的機器學習場景。比如給定輸入圖像和它對應的離散標簽。

（2）無監督學習是只有輸入數據但不知道輸出標簽下的機器學習場景。比如給定一堆貓和狗的圖像，系統自主學會貓和狗的分類，這種無監督分類也稱為聚類（Clustering）。

（3）強化學習則是給定一個學習環境和任務目標，算法自主地不斷改進以實現任務目標。比如AlphaGo圍棋就是用強化學習實現的，給定的環境是圍棋的規則，而目標則是勝利得分。

從應用領域上劃分，機器學習應用包括計算機視覺、自然語言處理和智能決策等。狹義上來講，基于圖像的應用都可歸為計算機視覺方面的應用，典型的應用有人臉識別、物體識別、目標跟蹤、人體姿態估計、圖像理解等。計算機視覺方法廣泛應用于自動駕駛、智慧城市、智慧安防等領域。

自然語言處理涉及文本或者語音方面的應用，典型的應用包括語言翻譯、文本轉語音、語音轉文本、文本理解、圖片風格變換等。計算機視覺和自然語言處理有很多交集，如圖像的文本描述生成、基于文本的圖像生成、基于文本的圖像處理等應用都同時涉及語言和圖像兩種數據類型。

智能決策的應用往往通過結合計算機視覺、自然語言處理、強化學習、控制論等技術手段，實現決策類任務。智能決策方法廣泛用于機器人、自動駕駛、游戲、推薦系統、智能工廠、智能電網等領域。

不同的機器學習應用底層會應用不同的機器學習算法，如支持向量機（Support Vector Machine，SVM）、邏輯回歸（Logistic Regression）、樸素貝葉斯（Naive Bayes）算法等。近年來，得益于海量數據的普及，神經網絡（Neural Networks）算法的進步和硬件加速器的成熟，深度學習（Deep Learning）開始蓬勃發展。雖然機器學習算法很多，但無論是經典算法還是深度學習算法的計算往往以向量和矩陣運算為主體，因此本書主要以神經網絡為例展開機器學習系統的介紹。