人工智能第一课
机器学习
目录
1.什么是机器学习
从一颗瓜说起
积累经验
利用经验
新的决策
2.分类和回归问题
| 特性 | 分类问题 | 回归问题 |
|---|---|---|
| 输出类型 | 离散数据 | 连续数据 |
| 目的 | 寻找决策边界 | 找到最优拟合 |
二元分类
线性回归
多项式回归
聚类问题
注意：聚类问题中训练过程没有给定label
监督学习
监督学习是从给定的训练数据集中“学习”出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求包括输入和输出，即特征和目标。训练集中的目标是由人类事先进行标注的。
主要用途：分类问题和回归问题
常见算法：决策树与随机森林、逻辑回归、
神经网络、朴素贝叶斯、Logistic回归等
非监督学习
在非监督学习的过程中，只提供事物的属性，但不提供事物的标签，让学习者自己总结归纳。所以非监督学习又称为归纳性学习，是指将数据集合分成由类似的对象组成的多个簇（或组）的过程。以达到同组内的事物特征非常接近，不同组的事物特征相距很远的结果。
主要用途：聚类问题
常见算法：k-means、Apriori、FP-Growth
半监督学习
强化学习
强化学习是学习一个最优策略(policy)，可以让本体(agent)在特定环境(environment)中，根据当前的状态(state)，做出行动(action)，从而获得最大回报(reward)。