目录
文章导航
一、机器学习
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径。
机器学习的主要任务是通过分析大量数据，使计算机能够自动进行预测和决策。其核心思想是利用算法和统计学的方法让计算机在没有人类干预的情况下从数据中"学习"到模式，并使用这些模式来进行自主的决策。机器学习技术已经广泛应用于各个领域，如医学、金融、物流、社交网络等
二、基于学习方式的分类
| 类型 | 简介 |
|---|---|
| 监督学习 | 监督学习是一种机器学习方法，它需要使用带有标签的数据进行训练，目标是学习一个模型来预测新的未标记数据的输出。监督学习中最常见的任务包括分类和回归。分类任务的目标是预测数据点所属的类别，而回归任务的目标是预测一个连续目标变量的值。监督学习的关键是要有标记的数据，以便训练模型。监督学习的例子包括图像分类、语音识别和自然语言处理等。 |
| 无监督学习 | 无监督学习是一种机器学习方法，它不需要使用带有标签的数据进行训练。无监督学习的目标是从没有标签的数据中发现有用的模式、结构和关系。无监督学习的例子包括聚类、降维和异常检测等。 |
| 强化学习 | 强化学习是一种机器学习方法，它模仿人类学习的方式，通过与环境交互来学习。强化学习的目标是通过最大化累计回报来学会选择正确的行动。在强化学习中，智能体通过在环境中采取行动来获得奖励，并学习选择最好的行动来获得最大的奖励。强化学习的例子包括机器人控制、游戏玩法和自动驾驶等 |
三、监督学习常见类型
| 类型 | 简介 |
|---|---|
| 分类 | 分类是一种监督学习任务，它的目标是预测数据点所属的离散类别。分类模型使用已有的标记数据进行训练，并在新数据点上进行分类预测。分类任务是一种有限的问题，因为离散类别是有限的。分类的例子包括垃圾邮件过滤、图像分类、情感分析等。分类模型通常使用一些分类算法，如决策树、支持向量机等，可以使用准确率、精确率、召回率等指标评价。 |
| 回归 | 回归是一种监督学习任务，它的目标是预测数据的连续目标变量值。回归模型使用已有的标记数据进行训练，并在新数据点上进行回归预测。回归任务是一种无限的问题，因为连续目标变量可以取任意值。回归的例子包括房价预测、股票价格预测、气温预测等。回归模型通常使用线性回归、岭回归、决策树回归等，可以使用均方误差、平均绝对误差等指标评价。 |
四、无监督学习常见类型
| 类型 | 简介 |
|---|---|
| 聚类 | 聚类是一种无监督学习方法，它的目标是将数据点分为不同的群组（或簇），使得同一群组内的数据点相似度较高，不同群组之间的数据点相似度较低。聚类可以帮助我们发现数据中的模式和结构，以及识别数据中的异常点。聚类的例子包括客户细分、图像分割、文本聚类等。聚类的目标是将数据点分为不同的群组，需要在数据中寻找相似性，包括层次聚类、K-means聚类、DBSCAN聚类等模型，应用于包括客户细分、图像分割、文本聚类等。 |
| 降维 | 降维是一种无监督学习方法，它的目标是将高维数据转换为低维数据，以便更好地可视化和理解数据，同时减少计算复杂度。降维可以帮助我们发现数据中的相关性，以及识别数据中的噪声。降维的例子包括图像压缩、文本分类、特征选择等。将高维数据转换为低维数据，在数据中寻找相关性，包括主成分分析、核主成分分析、t-SNE等模型，应用包括图像压缩、文本分类、特征选择等 |
| 关联规则挖掘 | 关联规则挖掘是一种无监督学习方法，它的目标是在数据中发现不同项之间的关系。关联规则挖掘可以帮助我们发现数据中的潜在关系，以及识别数据中的规律和趋势。关联规则挖掘的例子包括市场篮子分析、推荐系统等。目标是在数据中发现不同项之间的关系，需要在数据中寻找频繁项集和关联规则，关联规则挖掘方法包括Apriori算法、FP-Growth算法等，应用包括市场篮子分析、推荐系统等 |
五、强化学习常见分类
| 类型 | 简介 |
|---|---|
| 基于值的方法 | 基于值的方法是一种强化学习方法，它的目标是通过学习价值函数来选择最佳的行动。基于值的方法通常使用Q-learning和SARSA等算法来学习价值函数，并基于价值函数来选择最佳行动。基于值的方法的例子包括自动驾驶、机器人控制、游戏AI等 |
| 基于策略的方法 | 基于策略的方法是一种强化学习方法，它的目标是通过学习最优策略来选择最佳行动。基于策略的方法通常使用REINFORCE和Actor-Critic等算法来学习最优策略，并基于最优策略来选择最佳行动。基于策略的方法的例子包括机器翻译、语音识别、自然语言处理等。 |