机器学习（1）——机器学习的分类

本文是 imooc Python3入门机器学习 的学习笔记，用于整理自己学习到的概念，用以备查。

第一种分类方式

监督学习

简单说来，就是对于学习对于所要求的数据集，是否需要标注。
常见的监督学习算法有：

• K近邻算法
• 线性回归和多项式回归
• 逻辑回归
• SVM
• 决策树和随机森林

非监督学习

常见的 非监督算法及其用处见下：

• 各类聚类算法，如K-means，可用于电商对商品或者用户进行聚类分析，也可用于社区发现等应用场景。
• 数据降维，如PCA，可以将高维数据将为低维数便于处理。
• 异常检测，如果一个样例在空间测度上里大部分样例较远，可以判定其为异常点，与聚类类似。

半监督学习

出于各种原因，数据集可能出现一部分数据集带有标记，而另一部分则缺失标记。此时我们需要使用半监督学习来处理。

而此时我们可以先用无监督学习的方式对数据进行预处理，之后在使用监督学习的手段对数据进行训练和预测。

增强学习

下图是出增强学习的图示，主要指智能体(agent)，根据环境采取行动，再根据行动导致的结果，采取特定的行动方式。主要在类似于alphaGo、无人驾驶领域。

第二种分类方式

批量学习（batch learning）

batch learning 即批量学习，有时也称离线学习。每次学习的时候需要将数据集一次性全部投入。如果数据集更新则需重新学习。
其缺点在于无法及时更新，对于像股市预测和电商在线运营等场景不是很友好。

在线学习 （online learning）

在线学习再训练出模型之后，并不会定死，而是根据新输入的数据及时更新。非常适用于在线系统，以及数据量十分巨大的场景。

参数学习和非参数学习

• 参数学习 一旦学习到了参数就不再需要原始数据。
• 非参数学习 不是指学习中不使用参数，而是不指定特定的模型，因而无需学习固定的参数。