深度学习与AI+思维简单课程思考2

今天就自己给自己简述机器学习中的几种学习方式。

基于专业选修机器学习以及通识选修课深度学习与AI+思维的课堂内容，基于我了解到的机器学习算法作以下的表述。按算法进行分类类别太过多，我还是使用的是老师上课给出了的按主题进行分类。

其一，分类法，有些资料直接将其称为监督式学习，也是类神经网络的感知器法的变种，著名的基础算法PLA算法就是属于这类（如下图）。

无论是课堂上的判断传送带上是鲤鱼还是草鱼，还是在台湾大学的机器学习课堂中，老师举例的银行通过考差以往给客户发放信用卡的结果来判断是否应该给新用户发放信用卡（如下图）。

使用的就是在如下的图中找到一条合适的线，将点分开（如下图）。

这类方式还有被贝叶斯决策理论，这套理论是基于贝叶斯概率统计学公式和极大后验假设。因此，贝叶斯方法的学习法可以这样描述：计算每个假设的概率，再输出其中概率最大的

那么还有一种就是决策树，决策树的方法通过对训练集合的归纳，建立分类模型，再根据建立的分类模型，对测试集合进行测试（如下图）。

其二，聚类法。这些也可以称为是无监督式学习。基于相似原理将原始数据或特征组放在一起，然后开发规则将这些对象归入到这些类别中。这种规则接着可以用来预测新的、没有类别的对象。这种技术也有助于标记内容，例如，图片、视频和产品。

其中k-近邻算法是著名的使用最多的聚类算法（如下图）

还有一类是预测类算法。这类算法根据已知的数据来确定关系，并制定规则，然后预测未来的事件。最常见的就是推荐算法（下图是基于用户的协同过滤推荐）。

这类算法有：基于人口统计学的推荐、基于内容的推荐和协同过滤推荐等等。

第四类是特征提取，这种方法需要一个类似文本、图像、视频、音频的原始输入，然后提取可以在随后的机器学习算法中使用的相关“特征”和模式。这与其自身并不是息息相关，但却是一个重要的预处理步骤。这类算法有FAST算法、SIFT算法等（下图是SIFT算法）。