【乱写】机器学习

机器学习是通过算力来解决模型的问题，也就是找规律的问题。但是很脆弱，有时与现实不相容，现在还需要人为干预或者说纠正。
机器学习的任务分类
任务一：所有的经验E是由人工采集并输入计算机的【监督学习】
1.（告诉机器每个样本这个是什么）就是为训练数据打标签
经验E=>训练样本和标签的集合

任务二：计算机通过与环境的互动逐渐强化自己的行为模式【强化学习】
计算机产生行为=>程序定义这些行为的收益函数（reward function），对行为进行奖励或惩罚=>反馈，并改变自己的行为模式去最大化收益函数
经验E=>计算机与环境互动获得的
机器学习算法分类（并不绝对）
监督学习和强化学习

Ps:但往往相互结合，以求最佳迭代

监督学习根据数据标签存在与否的分类
1.传统的监督学习
每个训练数据都有对应的标签
该分类下支持的算法：
①：支持向量机
②：人工神经网络
③：深度神经网络
2.非监督学习
所有训练数据都没有对应的标签

（不需要标签也能训练数据）存在的证明：
Ps：图像可以反映：训练样本在空间的分布

首先假设：有这些训练数据，但不知道训练数据的类别
那么数据如何分类
需要假设：同一类的训练数据在空间中距离更近=>样本空间的信息=>设计算法将它们聚集为两类=>无监督学习

该分类下支持的算法：
①：聚类
②：EM算法
③：主成分分析

3.半监督学习{最近获得很多的关注}
训练数据中一部分有标签一部分没有标签。

这种学习产生的原因：
1.网络存在大量数据
2.标注数据却是成本巨大的工作
3.利用少量标注的数据，来标注大量未标注的数据，一起训练一个更好的机器学习算法

数据的分类方式：
第一种方式：我们标注了2个样本但不知道分类，但是如果我们增加一些没有标签的训练样本，那么我们设计算法就能更好的实现分类。【看图说话和数学公式】
第二种方式：基于标签的固有属性
监督学习：①分类：标签是离散的值②回归：标签是连续的值

分类例如：人脸识别就是分类问题
它的任务：
①（模式1）判断两个脸是不是同一个，若是为1，若不是为0。
标签就是0和1，这种离散的数值。
②（模式2）这个脸是一堆人脸里的哪一个。这个标签为1,2,3一直到N

回归例如：预测重庆房价的走势
它的任务：
训练样本是时间，标签是重庆的房价，由于房价是连续的变量，所以这是一个回归的问题

同样的预测股票价格，预测温度，预测人的年龄

PS！！！！：分类和回归问题的界限其实是非常模糊,因为连续和离散的定义是可以相互转换的。

机器学习模型解决分类问题，而回归就要自己想了。而且机器学习也只是解决问题的一种模型。