MachineLearning实战_01基础知识

- 什么时候机器可以学习

• 事物存在某种潜在规律
• 某些问题难以使用普通编程解决
• 有大量数据可供使用

- 机器学习算法类型

• 按输入空间划分
  Concrete Features(具体的特征，比如房屋价格、面积等)
  Raw Features(抽象的特征，比如图像的像素)
  Abstract Features(更抽象的特征，类似标志符，加密处理)

• 按输出空间划分
  分类问题
  回归问题
  结构化学习

• 按不同协议划分
  Batch Learning (将所有数据同时训练)
  Online Learning（数据一个一个进入，不断更新）
  Active Learning（系统主动提问与学习）

• 按样本标签划分
  监督式学习，其中又分为“分类”和“回归”两大类，分类包含K-邻近、Logistic回归、决策树、SVM、朴素贝叶斯、AdaBoost等；回归包含线性回归、树回归等
  半监督式学习，如K-均值聚类
  非监督式学习