技术定义
从数据或交互经验中调整模型，使系统在目标任务上的表现得到改善的方法。
Samuel在1959年发表的跳棋研究展示了程序利用经验改善表现。机器学习随后形成多种模型与学习设定，本条不把该论文作为全部学习算法的共同起源。
学习结果取决于数据、目标函数和评估方式。训练集上的改进需要通过未见数据或实际任务检验，不能直接当作泛化能力。
原理与影响
解决的问题
- 减少对逐条手写决策规则的依赖。
核心原理
- 根据经验与目标反馈调整模型参数或结构。
相对前代的改进
暂无记录
技术意义
- 支撑识别、预测、生成和决策等多类应用。
历史与应用
人物
Arthur L. Samuel
组织
暂无记录
事件
暂无记录
典型应用
分类、预测、模式识别
留下的局限
- 数据偏差、分布变化和评估泄漏会使表面效果偏离实际能力。
上下游关系
上游
证据：A Logical Calculus of the Ideas Immanent in Nervous ActivityLearning Representations by Back-propagating Errors
证据：Some Studies in Machine Learning Using the Game of CheckersWhat is Artificial Intelligence? — Basic Questions
证据：The Perceptron: A Probabilistic Model for Information Storage and Organization in the BrainLearning Representations by Back-propagating Errors
下游
证据：A Fast Learning Algorithm for Deep Belief NetsImageNet Classification with Deep Convolutional Neural Networks
证据：Deep Unsupervised Learning using Nonequilibrium ThermodynamicsDenoising Diffusion Probabilistic Models
证据：Q-learning