第一章 机器学习基础

1.1学习方法

1.1.1监督学习

机器学习的数据是带标记的，这些标记可以包括数据类别、数据属性及特征点位置等。每个训练样本x有人为标注的目标t，学习的目的是发现x到t的映射。将标记作为预期效果，不断修正机器的预测结果。常见的监督学习有分类和回归。分类（Classification）是将一些实例数据分到合适的类别中，它的预测结果是离散的。回归（Regression）是将数据归到一条“线”上，即为离散数据生产拟合曲线，因此其预测结果是连续的。

1.1.2无监督学习

机器学习的数据是没有标记的。学习样本没有人为标注，学习的目的是发现数据x本身的分布规律。常见的无监督学习有聚类和降维（主成分分析PCA）。

1.1.3半监督学习

少量数据有标注，大部分数据没有标注，需要设计合理的算法对这些未标注数据进行有效利用。

1.1.4强化学习

带有激励机制的，具体来说，如果机器行动正确，将施予一定的“正激励”；如果行动错误，同样会给出一个惩罚（也可称为“负激励”）。因此在这种情况下，机器将会考虑如何在一个环境中行动才能达到激励的最大化，具有一定的动态规划思想。贪吃蛇游戏、谷歌AlphaGo。

1.1.5深度学习

深度学习本身是神经网络算法的衍生。

1.2开发机器学习的步骤

（1）收集数据。
收集所需的数据，方法如：网络爬虫、问卷调查获取的信息、一些设备发送过来的数据，以及从物联网设备获取的数据等。
（2）准备输入数据。
得到数据之后，要确保得到的数据格式符合要求，如某些算法要求特征值需要使用特定的格式