机器学习---1.机器学习的入门

最近由于项目要求，从零开始自学机器学习，使用语言是python2.7。

机器学习分类：监督学习，无监督学习，强化学习

监督学习：对事物未知表现的预测，包括分类问题和回归问题。

               （1）分类：指给一个新的模式，根据训练模型推断它所对应的类别是多少，是一种定性输出，也叫离散变量预测。

               （2）回归：指给一个新的模式，根据训练模型推断他的对应的输出值是多少，是一种定量输出，也叫连续变量预测。

                 举例：预测明天是阴、晴还是雨，就是一个分类任务；预测明天的气温是多少度，这是一个回归任务。

常用分类模型有：线性分类器，支持向量机，朴素贝叶斯，K近邻，集成模型。

常用回归模型有：线性回归器，支持向量机（回归），K近邻（回归），集成模型（回归）

无监督学习：对事物本身特性的分析，与监督学习不同，不需要对数据进行标记，无监督学习常用技术包括数据降维与数据聚类等。

             （1）数据聚类：按照某个特定标准把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。

             （2）数据降维：直观地好处是维度降低了，便于计算和可视化，其更深层次的意义在于有效信息的提取综合及无用信息的摈弃。       

               举例：一个聚类分析的实例通过大量移动设备用户的位置信息，为某连锁餐饮机构提供新店选址。再如在做人脸识别的时候，首要的就是将人脸图像，从高维到低维投影是数据可视化，可分析。

常用聚类模型有：K均值算法，层次聚类，基于密度的聚类等。

常用降维模型有：PCA，Isomap，LLE等。

强化学习：大名鼎鼎的AlphaGO就是强化学习的一个成功案例。强化学习的本质是解决 decision making 问题，即自动进行决策，并且可以做连续决策。