1.1.1. 机器学习

机器学习（Machine Learning, ML）是在不提供直接指令的情况下，从数据或以往的经验中学习，以此来优化算法及程序的性能，被视为人工智能（Artificial Intelligence, AI）的子集。机器学习使用算法来识别数据中的模式，然后使用这些模式创建一个可以进行预测的数据模型。随着数据和经验的增加，机器学习的结果会更加准确，这与人类通过不断练习来提高能力水平的过程非常相似。

机器学习的基本任务一般分为四类，即监督学习、无监督学习、半监督学习和强化学习：

• 监督学习

作为最常见的一种机器学习类型，监督学习任务的特点为给定学习目标（又称标签、标注或实际值等），整个学习过程围绕如何使预测与目标更接近而展开，如分类、回归、目标检测、识别等；

• 无监督学习

从没有标签或标签代价很高的数据中，通过推断输入数据中的结构来建模，从而学习到一个规则或规律的过程称为无监督学习，如聚类、降维等；

• 半监督学习

半监督学习是监督学习与无监督学习相结合的一种学习方式，同时使用大量未标记数据和部分标记数据进行模式识别，如自编码器、对抗生成式网络等

• 强化学习

强化学习把学习视为一个试探评价的过程，智能体（Agent）选择一个动作用于环境，环境接受该动作后状态发生改变，同时产生一个强化信号（奖或惩）反馈给Agent，Agent根据强化信号和环境当前状态再选择下一个动作，选择的原则是使受到正强化（奖）的概率增大，其目标是获得最多的累计奖励。