什么是机器学习

机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测。

机器学习的分类

无监督学习

强化学习

• 监督学习: 输入数据是由输入特征值和目标值所组成

• 无监督学习: 输入数据是由输入特征值组成，没有目标值

• 半监督学习: 训练集同时包含有标记样本数据和未标记样本数据

• 强化学习: 实质是自动进行决策，并且可以做连续决策

• 常见的机器学习常见算法有哪些

• 常见的机器学习算法可以广泛地分为四大类：监督学习、无监督学习、半监督学习和强化学习，并且每种类别中都包含了一些经典的算法。以下是一些具体的例子：

• 监督学习

• 线性回归 (Linear Regression): 用于预测连续数值型目标变量。

• 逻辑回归 (Logistic Regression): 虽然名字中有“回归”二字，但常用于解决二分类问题。

• 决策树 (Decision Trees): 可以用于分类和回归，通过树状结构进行决策。

• 随机森林 (Random Forests): 基于多个决策树的集成学习方法，用于分类和回归。

• K-均值聚类 (K-Means): 数据分组到K个簇中的基本方法。

• 主成分分析 (PCA): 降维技术，用于数据压缩和去相关。

• 自编码器 (Autoencoders): 一种特殊的神经网络，用于学习数据的高效表示。

• 谱聚类 (Spectral Clustering): 利用图的拉普拉斯矩阵进行聚类。

• Q-Learning: 学习在给定状态下采取某个动作的价值。

• Deep Q-Network (DQN): 结合了Q-Learning与神经网络，用于处理高维度输入。

• Policy Gradients: 直接优化策略以最大化累积奖励。

• Actor-Critic 方法: 结合了价值方法和策略梯度方法的优点。

  • 支持向量机 (Support Vector Machines, SVM): 特别适合处理高维空间中的分类和回归问题。

  • K-近邻算法 (K-Nearest Neighbors, KNN): 根据最近邻居的标签进行预测。

  • 朴素贝叶斯 (Naive Bayes): 基于贝叶斯定理的简单概率分类器。

  • 神经网络 (Neural Networks): 包括多层感知机(MLP)、卷积神经网络(CNN)、循环神经网络(RNN)等，可处理复杂的数据和任务。