机器学习介绍

任何通过数据训练的学习算法的相关研究都属于机器学习，比如：线性回归、K均值、决策树、随机森林、PCA（主成分分析）、SVM（支持向量机）和ANN（人工神经网络）

机器学习可分为： 监督学习、无监督学习、半监督学习、强化学习、深度学习

1、监督学习

通过带有标记的数据来训练机器，这些标记可以是数据类别、数据属性、特征点位置等。机器将预测结果与期望结果进行对比，根据比对结果修改模型参数，在输出预测结果，再比较，重复多次，直至生成具有一定鲁棒性的模型。
常见的监督学习有分类和回归：分类，预测结果是离散的；回归，预测结果是连续的。
简单描述：输入数据有特征有标签，即有标准答案。

是指对数据的若干特征与若干标签之间的关联性进行建模的过程；只要模型被确定，就可以应用到新的未知数据上。这类学习过程可以进一步分为分类任务和回归任务。在分类任务中，标签都是离散值；而在回归任务中，标签都是连续值。

2、无监督学习

输入数据有特征无标记，即无标准答案。
是指对任何不带标签的数据特征进行建模，通常被认为是一种“让数据自己介绍自己”的过程。这类模型包括聚类任务和降维任务。聚类算法可以将数据分成不同的组别，而降维算法追求用更简洁的方式表现数据。

3、半监督学习

即训练集同时包含有标记样本数据和无标记样本数据，也即是说一部分数据有目标值，一部分没有。

4、强化学习

是带有激励机制，是一个动态过程，上一步数据的输出是下一步数据的输入

5、深度学习

其核心是通过数据驱动的方式，采用一系列的非线性变换，从原始数据中提取由低层到高层、由具体到抽象，由一般到特定语义的特征，总结经验方法。