机器学习

目前机器学习主流分为三大类：监督学习，无监督学习和强化学习

举个例子，我们经常考试，试卷上的题目我们未必都做过，但是在复试的时候会刷很多题，通过这些题目我们学会了阶梯方法，在考试时面对陌生的题目也能做出来。

同样机器学习也是一个举一反三的过程，我们可以利用一些训练数据，使机器能够利用它们分析未知数据。

通过计算的手段利用经验来改善系统自身的性能，其实它研究的问题就是学习算法，就是说我们把经验数据给它，然后它基于这些经验产生模型，下次遇到新情况时，模型就会给我们判断。

监督学习：

监督学习分为两大问题：“回归”和“分类”。

在回归问题中，我们会预测一个连续值，比如说预测明天多少度，预测房价多少钱等等，而分类问题就是预测明天是什么天气，多云、下雨还是晴天，它与分类问题的区别就在于分类问题的结果是一个类别，预测结果不是对就是错，而回归问题是对真实值的一种逼近预测，你的预测值与真实值差距越小则越好，不会存在对错的概念，比如预测房价为999元，真实价格为1000元，我们认为这是一个比较好的回归分析。

监督学习其实就是根据已有的数据集，知道输入和输出结果之间的关系，根据这种关系训练得到一个最优的模型。监督学习中训练数据是有标签的。

监督学习的目的是通过学习许多有标签的样本，然后对新的数据做出预测。

无监督学习：

无监督学习中，我们基本不知道结果会是什么样，但可以通过聚类的方式从数据中提取一个特殊的结构。在无监督学习中给定的数据集是和监督学习中给定的数据集不一样。无监督学习的训练数据没有相关的标签。

无监督学习算法的目标是以某种方式组织数据，然后找出数据中存在的内在结构。这包括将数据进行聚类，或者找到更简单的方式处理复杂数据，使复杂数据看起来更简单。
 

强化学习：

强化学习是一种学习模型，它不会直接给你解决方案，需要通过试错的方式去寻找。AlphaGo用的就是强化学习。

强化学习不需要标签，你选择的行动越好，得到的反馈越多。所以你能通过执行这些行动看是输是赢来学习下围棋，不需要有人告诉你什么是好的行动什么是坏的行动。

 

参考：https://blog.csdn.net/sqc3375177/article/details/78679603