《图解机器学习》（杉山将.著）笔记——第一章 什么是机器学习

1.什么是机器学习

1.1学习的种类
一、监督学习：
监督学习，是指有求知欲的学生从老师那里获取知识、信息，老师提供对错提示、告知最终答案的学习过程。
典型任务：预测数值型数据的回归、预测分类标签的分类、预测顺序的排序等。

二、无监督学习：
无监督学习，是指在没有老师的情况下，学生自学的过程。
典型任务：聚类、异常检测等

三、强化学习：
强化学习，是指在没有老师提示的情况下，自己对预测的结果进行评估的方法。
典型任务：机器人的自动控制、计算机游戏中的人工智能、市场战略的最优化等。

1.2机器学习任务的例子
一、回归：
回归，是指把实函数在样本点附近加以近似的有监督的函数近似问题。

二、分类：
分类，是指对于指定的模式进行识别的有监督的模式识别问题。

三、异常检测：
异常检测，是指寻找输入样本中所包含的异常数据的问题。

四、聚类
聚类，与分类问题相同，也是模式识别问题，但是属于无监督学习的一种。

五、降维
降维，是指从高维度数据中提取关键信息，将其转换为易于计算的低维度问题进而求解的方法。

1.3机器学习的方法
1.3.1生成的分类和识别的分类
一、应用训练集直接对后验概率p(y|x)进行学习的过程，称为判别式分类。

二、通过数据生成概率p(x,y)来进行模式识别的分类方法，称为生成的分类。

1.3.2统计概率和朴素贝叶斯
一、在统计概率的机器学习方法中，将模式θ作为决定论的变量。

二、在朴素贝叶斯方法中，将模式θ作为概率变量。