人工智能机器学习

机器学习

1.有监督学习

有监督学习(supervised learning)，指的是事先需要准备好输入与正确输出(区分方法)相配套的训练数据，让计算机进行学习，以便当它被输入某个数据时能够得到正确的输出(区分方法)

#有监督机器学习的典型应用模式  
针对连续数据
常见算法:
1.线性回归
2.Gradient Boosting、AdaBoost
3.神经网络

#有监督机器学习的典型应用模式  
针对离散数据
常见算法:
1.逻辑回归
2.决策树
3.KNN
4.随机森林
5.支持向量机
6.朴素贝叶斯
7.神经网络

2.半监督学习

无监督学习(unsupervised learning)的目的是让计算机自己去学习怎样做一些事情，所有数据只有特征而没有标记。

无监督学习被运用于仅提供输入用数据、需要计算机自己找出数据内在结构的场合。其目的是让计算机从数据中抽取其中所包含的模式及规则。

3.无监督学习

二者的中间地带是半监督学习(semi-supervised learning)。
对于半监督学习，其训练数据一部分有标记，另一部分没有标记，而没有标记数据的数量常常极大于有标记数据的数量。
它的基本规律是:数据的分布必然不是完全随机的，通过结合有标记数据的局部特征，以及大量没标记数据的整体分布，可以得到比较好的分类结果

#无监督机器学习的典型应用
常见算法 : k-means聚类算法    (关联规则抽取)

 

4.强化学习

强化学习(reinforcement learning，RL)，是解决计算机从感知到决策控制的问题，从而实现通用人工智能。
强化学习是目标导向的，从白纸一张的状态开始，经由许多个步骤来实现某一维度上的目标最大化。最简单的理解是在训练过程中，不断去尝试，错误就惩罚，正确就奖励，由此训练得到的模型在各个状态环境中都最好。
对强化学习来说，它虽然没有标记，但有一个延迟奖励与训练相关,
通过学
习过程中的激励函数获得某种从状态到行动的映射。强化学习强调如何基于环境而行动，以取得最大化的预期利益。
强化学习一般在游戏、下棋等需要连续决策的领域。