小白必知的机器学习

分析的演变

机器学习的基础是基于数据分析的发展而同步发展，在了解机器学习之前，我们先了解下分析的演变阶段：
描述性分析（Descriptive）- 预测性分析(Predictive) - 规范性分析(Prescriptive)，而后面两个阶段的实现，和机器学习密不可分。

机器学习

机器学习的核心： 使用算法解析数据，从中学习，然后对某件、某些事件作出决定或者预测；
机器学习分类：

1. 两类： 有监督学习，无监督学习；
2. 三类： 有监督学习，无监督学习，强化学习；
   

大白话机器学习

有监督学习

  计算机的训练数据不仅是具有已知某种或某些特性的样本，而且还把分类的结果（数据具有的标签）也一并提供给计算机分析。 

计算机进行学习之后，再给它新的未知的数据，它也能用已建立的模型来预测未知样本，此种方法称为有监督学习。
举个栗子：
需要分辨动物是猫还是狗，在选取的数据中，对是猫还是狗已经明确添加了标签。

无监督学习

由于 缺乏足够的先验知识，因此难以人工标注类别或进行人工类别标注的成本太高，导致只给计算机训练数据但无法提供结果（标签），但是我们希望利用类别未知(没有被标记)的训练样本解决模式识别中的各种问题 - 通常是得到一些集合，集合内的数据在某些特征上相同或相似，这种方法称之为无监督学习。
举个栗子：
需要分辨动物是猫还是狗，在选取的数据中，并没有告知这个动物的分类(猫或狗)，但是我们希望通过特征的相似性- 比如喜欢吃鱼还是吃骨头进行识别。

强化学习

强化学习是以“试错”的方式进行学习，是指使用机器的个人历史和经验来做出决定，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏。
举个栗子：
一组没有分类的图片，如果系统判断正确，智能体将告诉系统判断正确，反之，将告诉系统判断错误，系统通过不断学习从而实现系统最高的准确率。