机器学习基础：机器学习概念与分类

机器学习的概念

机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测

机器学习的过程：

流程：
1）获取数据
2）数据处理
3）特征工程
4）机器学习算法训练-得到模型
5）模型评估
6）应用

机器学习主要分类

有监督学习：提供数据（特征）并提供数据对应结果（目标值）的机器学习过程；
无监督学习：提供数据（特征）并且不提供数据对应结果的机器学习过程；
强化学习：通过与环境交互并获取延迟返回进而改进行为的学习过程；

无监督学习

无监督学习算法采用一组仅包含输入的数据，通过寻找数据中的内在结构进行样本点的分组或聚类。
算法从没有被标记或分类的测试数据中学习；
无监督学习算法不是相应反馈，而是要识别数据中的共性特性；对于一个新数据，可以通过判断其中是否存在这种特征，来做出相应的反馈。
无监督学习的核心应用是统计学中的密度估计和聚类分析。

无监督学习应用：
无监督聚类应用的一个例子就是在谷歌新闻中。
谷歌新闻每天都会收集很对新闻内容。它将这些新闻分组，组成有关联的新闻，然后按照主题显示给用户。
谷歌新闻做的就是搜索新闻事件，自动的把它们聚类到一起；这些新闻事件全是同一主题的；

监督学习

监督学习算法构建了包含输入和所需输出的一组数据的数学模型。这些数据称为训练数据，由一组训练样本组成。
监督学习主要包括分类和回归；
当输出被限制为有限的一组值（离散数值）时使用分类算法；当输出可以具有范围内的任何数值（连续数值）时使用回归算法。

相似学习是和回归和分类密切相关的易磊监督机器学习，它的目标是使用相似性函数从样本中学习，这个函数可以度量两个对象之间的相似度或关联度。它在排名、推荐系统、视觉识别跟踪、人脸识别等方面有很好的应用场景。

监督学习应用：