机器学习和线性回归、softmax回归

 监督学习

        监督学习（supervised learning）擅⻓在“给定输⼊特征”的情况下预测标签。每个“特征-标签”对都称为一个样本（example）。我们的目标是生成一个模型，能够将任何输⼊特征映射到标签（即预测）。

•   回归——平方误差损失函数回归（regression）是最简单的监督学习任务之一。
• 分类——交叉熵样本属于“哪一类”的问题称为分类问题

       回归是训练一个回归函数来输出一个数值；分类是训练一个分类器来输出预测的类别

标注问题

       学习预测不相互排斥的类别的问题称为多标签分类（multi-label classification）一个样本（一个图片或者一个候选框）中含有多个物体，标注的label也是多个的，多个类间并不是互斥的，多选多比如：多目标检测、短视频分类。

无监督学习

        数据中不含有标签的机器学习问题

 

        到目前为止，不管是监督学习还是无监督学习，我们都会预先获取大量数据，然后启动模型，不再与环境交互。这⾥所有学习都是在算法与环境断开后进行的，被称为离线学习（offline learning）。

        优点是，我们可以孤⽴地进行模式识别，而不必分心于其他问题。

         缺点是，解决的问题相当有限。

强化学习

        智能体在一系列的时间步骤上与环境交互。在每个特定时间点，智能体从环境接收一些观察，并且必须