机器学习笔记

最近正在学习《Python机器学习基础教程》，在阅读过程中进行记录以增加理解和加深印象。

在机器学习中，根据训练方法的不同，机器学习可以分为四类，分别为监督学习(Supervised learning)、无监督学习(Unsupervised learning)、半监督学习(Semi-supervised learning)，
强化学习(Reinforcement Learning)。

关于上述四种分类，具体的可以参考：https://juejin.im/entry/594890c4fe88c2006a9185f5

监督学习

定义

从有标记的训练数据中推导出预测函数。也就是说，用户将成对的输入和预期输出提供给算法，算法会找到一种方法，根据给定输入给出预期输出。为什么要叫监督学习呢？是因为每个用于算法学习的样例都对应一个预期输出，好像有一个"老师"在监督着算法。

应用

• 识别信封上手写的邮政编码
• 基于医学影像判断肿瘤是否为良性
• 检测信用卡交易中的诈骗行为
• …

无监督学习

定义

使用的数据是没有标记过的，即不知道输入数据对应的输出结果是什么。无监督学习只能默默的读取数据，自己寻找数据的模型和规律，比如聚类（把相似数据归为一组）和异常检测（寻找异常）。

应用

• 确定一系列博客文章的主题
• 将客户分成具有相似偏好的群组
• 检测网站的异常访问模式
• …

半监督学习

定义

半监督学习训练中使用的数据，只有一小部分是标记过的，而大部分是没有标记的。半监督学习的使用，是因为我们很容易找到海量的无类标签的数据，但是为其打上标签的代价是昂贵的，因此人们尝试将大量的无类标签的样例加入到有限的有类标签的样本中一起训练来进行学习，期望能对学习性能起到改进的作用。
半监督学习可参考：https://blog.csdn.net/dugudaibo/article/details/79061673

应用

• 图像分类
• 图像裁剪
• …

强化学习

定义

强化学习也是使用未标记的数据，但是可以通过某种方法知道你是离正确答案越来越近还是越来越远(即奖惩函数)。强化学习解决的问题是，针对一个具体问题得到一个最优的策略，使得在该策略下获得的奖赏最大。所谓的策略其实就是一系列动作。
强化学习可参考：https://blog.csdn.net/hellocsz/article/details/80835542

应用

• 机器人
• 工业自动化
• …