ML[三大]常见学习任务： 分类，回归，聚类

机器学习就是人类定义一定的计算机算法，让计算机根据输入的样本和一些人类干预来总结和归纳其特征和特点，并用这些特征和特点和一定的学习目标形成映射关系，进而自动化地做出相应反应的过程。

这里的输出可能是一段内容，图片，文本，声音。 机器学习到的可以描述为函数，程序，策略等关系。

前面我们谈过算法。

算法的特点： 有穷性，确定性，输入，输出，可行。

算法的要素： 算术运算【+-/*】，逻辑运算[or/and/!]，关系运算【大于，小于，等于】，数据传输【输入，输出，赋值】

机器学习常见分类： 监督和无监督学习

有监督学习： 【下面举个例子】

• 标注了垃圾邮件的email-----------------训练样本
• 分类器对垃圾邮件样本的特征进行统计和归纳的过程-----------------训练，模型提取
• 总结出来的判断标准---------------------------模型
• 使用模型对已经标注的正常/垃圾邮件分类，验证是否具有泛化性。----------------------验证

无监督学习：

获得训练的向量数据后在没有标签的情况下尝试找出内部蕴藏的关系的挖掘工作。

 

分类：

使用机器学习中使用的最多的一大类算法。有监督学习。俗称改算法为“分类器”。

1. 输入样本和标签。
2. 建立映射的y= f(x)的模型
3. 得到loss 函数和待定系数w的映射关系。 loss= g（w）
4. 逐步迭代优化降低loss

回归：

监督学习。数值型连续随机变量进行预测和建模的算法。比如预测房价，股票走势等。 标注的数据集有数值型的目标变量。

线性回归：y= wx+b

逻辑回归：逻辑函数表示

 

聚类：

无监督学习，把物理对象或抽象对象的集合分组为由彼此类似的对象组成的多个类的分析过程。

K-means

在这个过程中，从获得到具体的样本向量，到得出聚类结果，人们是不用进行干预的，这就是“非监督”一词的由来。