机器学习主要类型（四）：强化学习 Reinforcement Learning强化学习和监督学习的不同在于，强化学习问题不需要给出“正确”策略作为监督信息，只需要给出策略的（延迟）回报，并通过调整策略来取得最大化的期望回报→强化学习和监督学习的区别：1）强化学习的样本通过不断与环境进行交互产生，即试错学习，而监督学习的样本由人工收集并标注；2）强化学习的反馈信息只有奖励，并且是延迟的，而监督学习需

9、集成学习 ensemble learning通过构建并结合多个学习器来完成学习任务，有时也称为多分类器系统multi-classifier system、基于委员会的学习committee-based learning同质homogeneous集成：集成中只包含同种类型的个体学习器，其中的个体学习器亦称基学习器，相应的学习算法称为基学习算法异质heterogeneous集成：包含不同类型的个体

10、规则学习 rule learning从训练数据中学习出一组能用于对未见示例进行判别的规则优势：①与神经网络、支持向量机这样的黑箱模型相比，规则学习具有更好的可解释性，使用户更直观地对判别过程有所了解②数理逻辑有极强的表达能力，绝大多数人类知识都能通过数理逻辑进行简洁的刻画和表达，因此规则学习能更自然地在学习过程中引入领域知识③逻辑规则的抽象描述能力在处理一些高度复杂的AI任务时具有显著的优势

linux上安装wxpython报错：查资料发现windows或者mac就可以用上面的pip install -U wxPythonlinux需要用另一种pip方法：pip install -U -f https://extras.wxpython.org/wxPython4/extras/linux/gtk3/ubuntu-16.04 wxPython！！！如果还是报错的话，就用下面的方法：1、

机器学习主要类型（二）：无监督学习 Unsupervised Learning2.1 无监督特征学习 Unsupervised Feature Learning一般用来进行降维、数据可视化或监督学习前期的数据预处理2.1.1主成分分析2.1.2稀疏编码2.1.3自编码器2.1.4稀疏自编码器 Sparse Auto-Encoder假设中间隐藏层z的维度M大于输入样本x的维度D，并让z尽量稀疏，这就

5、计算学习理论计算学习理论computational learning theory：研究关于机器学习的基础理论几个常用不等式：5.1 PAC学习概率近似正确（PAC）Probably Approximately Correct：最基本的计算学习理论——以较大的概率学得误差满足预设上限的模型，PAC 学习给出了一个抽象地刻画机器学习能力的框架若目标概念c∈H，则H中存在假设能将所有示例按与真实标

机器学习主要类型（五）：系列总结_思维导图（监督学习、无监督学习、半监督学习、强化学习）_ _ _ _ _ _ 机器学习主要类型系列文章更新完毕，喜欢的朋友可以关注后续其他文章 _ _ _ _ _ _《机器学习主要类型》系列文章往期回顾：机器学习主要类型（一）：监督学习机器学习主要类型（二）：无监督学习机器学习主要类型（三）：半监督学习机器学习主要类型（四）：强化学习参考书目：周志华.《机器学习》

10、规则学习 rule learning从训练数据中学习出一组能用于对未见示例进行判别的规则优势：①与神经网络、支持向量机这样的黑箱模型相比，规则学习具有更好的可解释性，使用户更直观地对判别过程有所了解②数理逻辑有极强的表达能力，绝大多数人类知识都能通过数理逻辑进行简洁的刻画和表达，因此规则学习能更自然地在学习过程中引入领域知识③逻辑规则的抽象描述能力在处理一些高度复杂的AI任务时具有显著的优势

利用图神经网络（GNN）的视频/图像分割模型总结，包括对应论文引用示例、模型示意图、主要参数解释及计算、三种模型的相同与不同点对比。

6、贝叶斯分类6.1贝叶斯决策论Bayesian decision theory概率框架下实施决策的基本方法。对分类任务来说，在所有相关概率都已知的理想情形下，贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记。贝叶斯判定准则Bayes decision rule：为最小化总体风险，只需在每个样本上选择那个能使条件风险最小的类别标记，即，h* 称为贝叶斯最优分类器Bayes optim