机器学习介绍-机器学习分类

title: 机器学习介绍
author: 戴挽舟（BbiHH）
tags:

• AI大数据
  categories:
• 机器学习专栏
  date: 2019-10-17 21:51:00

---

<恐怖慎入>

机器学习

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

　　 它是人工智能的核心，是使计算机具有智能的根本途径。

　　 这里仅简单介绍一下机器学习，了解其的三个分支：监督学习、无监督学习、半监督学习、强化学习。
　　

监督学习

监督学习是指：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。
　　 监督学习是给出已标记数据，通常利用数据找出线性拟合曲线来进行预测（predict）或是分类（classify）。系统被赋予一个数据集，同时它已经知道了期望的输出是什么，并了解每个相关层的输入和输出的关系。

　　 　　 　　 　　 　　 　　 例如：城市人口与城市利润的预测
数据集

直线为训练后获得的线性回归直线

其中模型预测与人工预测比较:
Theta found by gradient descent:
-3.630291
1.166362
Expected theta values (approx)
-3.6303
1.1664
For population = 35,000, we predict a profit of 4519.767868
For population = 70,000, we predict a profit of 45342.450129

无监督学习

根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。

　　 在无监督学习中，给定的输入只是一些数据集，并没有给出数据的期待输出。在分析数据集时，系统从其经验中学习有意义的属性和特征。常用来实现聚类问题，聚类将具有相似数据类型的多个数据放到同一个簇中。

　　 在大数据时代，通过对数据的分类挖掘出数据的深层价值，这也就是数据变得越来越值钱的一个因素，无监督学习在数据挖掘方面有着很大的用处。

比如大家在淘宝、天猫、京东上逛的时候，总会根据你的浏览行为推荐一些相关的商品，有些商品就是无监督学习通过聚类来推荐出来的。系统会发现一些购买行为相似的用户，推荐这类用户最"喜欢"的商品。都是使用无监督学习的各种应用。

半监督学习

半监督学习(Semi-Supervised Learning，SSL) 是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。

　　 半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。当使用半监督学习时，将会要求尽量少的人员来从事工作，同时，又能够带来比较高的准确性，因此，半监督学习目前正越来越受到人们的重视。
　　

强化学习

强化学习（Reinforcement Learning, RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。

　　 强化学习理论受到行为主义心理学启发，侧重在线学习并试图在探索-利用（exploration-exploitation）间保持平衡。不同于监督学习和非监督学习，强化学习不要求预先给定任何数据，而是通过接收环境对动作的奖励（反馈）获得学习信息并更新模型参数 。

AlphaGo Zero的自我博弈训练就是使用的强化学习模型

关于提及的相关知识将再后面以专题出现。