机器学习

常见的机器学习分类：

监督学习：

　　 在监督学习当中，每一个实例都是由一个输入对象和一个期望的输出值组成。监督学习算法是通过分析该训练数据，并产生一个推断。一个好的方案可以使得监督学习算法正确地做出决策。

　　在监督学习中，有两个典型的分类：

1. 分类问题：
   以邮件分类过滤为例，通过一组特性，将邮件分为正常邮件以及垃圾邮。
2. 回归问题：
   我们期望得到的回归结果是对目标数值进行预测，例如在住房问题上，通过一组特性（大小，房间数量等），预测房屋的售价。
3. 延申出的奇特变体：

　　　序列生成（给定一张图像，预测描述图像的文字），语法树预测（给定一个句子，预测其分解生成的语法树），目标检测（给定一张图像，在图中特定目标的周围画一个边界框），图像分割（给定一张图像，在特定物体上画一个像素级的掩膜）　　

以下是常见的监督学习的算法：

• Logistic Regression （逻辑回归）
• k-Nearest Neighbors （K近邻算法）
• Support Vector Machines (SVMs) （支持向量机）
• Naive Bayesian Model （朴素贝叶斯）
• Decision Trees （决策树）
• Random Forests （随机森林）
• Neural networks （神经网络）

半监督学习/自监督学习：

　　 半监督学习在训练过程中结合了大量的未标记数据以及少量的标签数据，能够带来更小的训练成本以及更高的准确度。

　　 自监督学习是监督学习的一个特例，自监督学习是无监督学习人工标注的标签——可以将其视为没有任何人参与的监督学习。仍然涉及标签（因为学习必须由某些东西监督），但它们是从输入数据生成的，通常使用启发式算法。

无监督学习：

　　 无监督学习就是按照数据的性质将他们自动分为很多组，即所有的数据都只有特征向量而没有标签。

　　 机器学习的这个分支包括在没有任何目标帮助的情况下找到输入数据的转换，用于数据可视化、数据压缩或数据去噪，或者更好地理解手头数据中存在的相关性。无监督学习是数据分析的基础，在尝试解决监督学习问题之前，它通常是更好地理解数据集的必要步骤。

　　以下是常见的无监督学习的算法：

　　聚类

• k-Means
• spectral clustering （谱聚类）
• mean-shift

　　降维

• Principal Component Analysis (PCA)
• Feature Selection （特征选择）
• Nonnegative Matrix Factorization （非负矩阵分解）

强化学习：

　　 强化学习是智能体不断与环境进行交互，通过试错的方式来回的最佳策略，强化学习的典型例子就是阿尔法狗。