浅谈机器学习的分类

机器学习、人工智能、深度学习...这些词汇相信大家已经在无数个场合看到了，那么它们究竟有什么区别呢？简单来说，人工智能包括机器学习包括深度学习，人工智能的领域非常广泛，包括很多内容，包括机器学习，而深度学习又是机器学习的一个分支。那么大名鼎鼎的深度学习，到底是何方神圣呢？

机器学习的主要任务便是聚焦于两个问题：分类和回归。

分类相信大家都不会陌生，生活中会见到很多的应用，比如垃圾邮件识别、信用卡发放等等，就是基于数据集，作出二分类或者多分类的选择。

回归会给出一个具体的结果，例如房价的数据，根据位置、周边、配套等等这些维度，给出一个房价的预测。

机器学习在不同的维度会有不同的划分，最普遍的划分大致可以分为监督学习、非监督学习、半监督学习、增强学习。

监督学习的数据集拥有既定的标签，即训练的数据集已经有了某种特定的属性，例如医院有很多病人的数据，可以根据患者的数据进行病情的鉴定、银行有很多人的信用信息，根据这些信息可以判定申请人的信用程度等等。

非监督学习的数据集没有任何既定标签，完全让算法去分析这些数据，找出一些特殊情况，大多数聚类算法都是非监督学习。

半监督学习，虽然数据集有既定标签，但是有时候有些数据会有缺失，例如银行信用体系中，有些人的年龄数据缺失、有些人性别数据缺失等等。

增强学习，即根据当下的环境不断的去学习，不断的发现数据集，不断的训练自己，例如阿尔法狗以及无人驾驶等，都是增强学习的应用。

也有在线学习和离线学习的分类，在线学习即不断通过实时数据来训练数据集，这样的好处是可以很快的作出反应，但是对于硬件要求较高，同时也会有恶意数据集攻击等，影响训练结果。离线学习即使用非实时的数据集，这样的数据集可能经过处理，可以得到很准确的训练结果，但是对于一些实时的判断，比如股市等。