机器学习中的有监督学习，无监督学习，半监督学习，强化学习

                机器学习中的有监督学习，无监督学习，半监督学习，强化学习。

参考：https://www.cnblogs.com/yxysuanfa/p/6749011.html

           http://www.sohu.com/a/147695302_390227

           https://blog.csdn.net/aliceyangxi1987/article/details/73327378

有监督学习：通过已有的一部分输入数据与输出数据之间的关系，生成一个函数，将输入映射到合适的输出，比如分类。

训练步骤：数据集的创建和分类 → 训练 → 验证 → 使用

广泛使用的分类器有：人工神经网络、支持向量机，K最近邻算法（KNN），高斯混合模型、朴素贝叶斯法方法、决策树和径向基函数分类。

无监督学习：是人工智能网络的一种算法。其目的是去对原始资料进行分类，以便了解资料内部结构。有别于监督式学习网络，无监督式学习网络在学习时并不知道其分类结果是否正确，亦即没有受到监督式增强(告诉它何种学习是正确的)。其特点是仅对此种网络提供输入范例。

无监督学习的方法:自编码、主成分分析、随机森林，K均值聚类。

半监督学习：半监督学习在训练阶段结合了大量未标记的数据和少量标签数据。与使用所有标签数据的模型相比，使用训练集的训练模型在训练时可以更为准确，而且训练成本更低。

强化学习：强化学习是机器学习的一个重要分支，是多学科多领域交叉的一个产物，它的本质是解决 decision making 问题，即自动进行决策，并且可以做连续决策。它主要包含四个元素，agent，环境状态，行动，奖励, 强化学习的目标就是获得最多的累计奖励。