机器学习种类（三）

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 600+累计阅读 642平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄11年

关注

原创最新推荐文章于 2026-03-15 01:20:09 发布 642 阅读 AI 写同款· GEO 优化 ›

机器学习类型概述从不同的视角来看待诸多机器学习算法，有不同的划分。 1、语料视角根据训练语料对人工参与类别划分或标签标识的需求程度，可将机器学习划分为四种类型: 监督学习、无监督学习、半监督学习、强化学习。 1.1、监督学习 Supervised Learning 在监督学习算法中，提供给算法用于模型训练的数据，其实例的类别或标签是需要人工进行标注的，也即监督二词之所谓。监督学习算法主要分为两类：分类、回归。分类算法通常用于执行分类操作。比如，给一邮件，模型判断该邮件是否是垃圾邮件。回归算法通阅读详情

本节课是一个综述性质的章节，只是了解，后续主要讲的还是分类和回归。

主要介绍了不同种类的机器学习，按照输出空间的类型分类，以及按照输入的类型进行分类

按照输出空间可以分为二元分类，多元分类，回归分析，结构分析

按照是否给定输出结果，分为：监督式学习，无监督式学习，半监督式学习

本节没什么可写的，只是做一个记录。

收录于

机器学习基石（台湾大学）

当前文章被收录于：

机器学习基石（台湾大学）

8 篇文章 1 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#机器学习种类

【AI】用iOS的ML（机器学习）创建自己的AI App 在机器学习中，一切都始于模型，这是进行预测或识别的系统。教计算机学习涉及使用训练数据的机器学习算法进行学习。从训练中生成的输出通常称为机器学习模型。有不同类型的机器学习模型来解决同一个问题（例如对象识别），但使用不同的算法。是其中一些机器学习算法。阅读详情

相关推荐

在 Azure ML 上用 .NET 跑机器学习

.NET ML 你在用了吗？

Kinfey 4337

统计学习-机器学习方法概论

统计学习-机器学习方法概论功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 机器学习的对象是：具有一定的统计规律的数据...

hahaxixi 841

使用 Spark ML Pipeline 进行机器学习

Spark ML Pipeline 的引入，是受到scikit-learn的启发，虽然 MLlib 已经足够简单实用，但如果目标数据集结构复杂，需要多次处理，或是在学习过程中，要使用多个转化器 (Transformer) 和预测器 (Estimator)，这种情况下使用 MLlib 将会让程序结构极其复杂。所以，一个可用于构建复杂机器学习工作流应用的新库已经出现了，它就是 Spark 1.2 ...

小数据研究院 7198

机器学习的分类

机器学习是人工智能的一个分支，它使计算机系统能够从数据中学习并做出决策或预测。机器学习（Machine Learning）是一种基于数据驱动的方法，旨在通过自动化的统计模型和算法从数据中学习和提取模式，以进行预测、分类和决策。其核心思想是通过训练数据构建模型，使其在面对新数据时能够准确进行预测和分类。

wt334502157的博客 8250

玩转Unity中的ML-Agents 机器学习（三）：BallacceBall 案例训练

转载注明出处，QQ群：142617170 ，欢迎进群交流！运行Unity 的ML-Agents所需要的环境都搭好之后，就可以实际探索工程内的官方案例。这一篇我们以官方工程内的3D BallanceBall 案例来说明整个机器学习的流程以及在这个过程中博主所遇到的一些问题。随着新的ML-Agents v0.3的发布，我更改了教程中的一下过时的内容。源英文文档的教程地址：https://github...

q568360447的博客 5563

机器学习ML.NET

是用于 .NET 的跨平台开源机器学习 （ML）框架。ML.NET 允许开发人员在其 .NET 应用程序中轻松构建、训练、部署和使用自定义模型，而无需开发机器学习模型的专业知识或使用 Python 或 R 等其他编程语言的经验。该框架提供从文件和数据库加载数据，支持数据转换，并包含许多 ML 算法。借助 ML.NET，您可以针对（如分类、预测和异常检测）训练模型。您还可以在 ML.NET 中使用 TensorFlow 和 ONNX 模型，这使得框架更具可扩展性，并扩展了支持的方案数量。

A_nanda的博客 5438

机器学习简要概览

是关于网上一个免费小课（来自点头AI）的图文整理。非常简洁，只是一个概览，可以根据这个概览一步步学习。

niexinyu0026的博客 2577

Unity中的机器学习ML-Agents

一：介绍二：搭建环境 ——升级Python版本因为mac自带的是python2.7.X的版本，查看当前python版本：python -V ——搭建Python环境安装Anconda：https://www.anaconda.com/products/individual

L的博客 8299

探索机器学习的分类：监督学习、无监督学习、半监督学习与强化学习

本文对机器学习的四大类-监督学习、无监督学习、半监督学习和强化学习进行了介绍，并列举了每个类别下的经典算法。同时，文章对监督学习、无监督学习、强化学习算法进行了深入的比较，分析了它们的适用性和优缺点等。希望通过这一系列的分析，能够加深大家对机器学习各类方法的理解，帮助大家在实际问题上做出合适的算法选择。

qq_40641591的博客 3784

C# ML.NET机器学习入门：5步轻松搞定，代码详解+实战演练

通过以上五个步骤，你已经成功地使用C#和ML.NET创建并使用了一个简单的机器学习模型。是不是感觉比想象中简单多了？其实，机器学习并没有那么高深莫测，只要你愿意动手实践，就能轻松上手。希望这篇教程对你有所帮助，如果你有任何问题或建议，欢迎在评论区留言交流！接下来，你可以尝试使用更多的数据集和不同的任务类型，进一步提升你的机器学习技能。加油，未来的机器学习专家！🌟✨😊✨。

java专栏 4667

机器学习中的分类问题

华为7天入门机器学习，主要内容：分类的定义，决策树算法，随机森林算法,可以适当提高对modelArts平台的使用技巧

【机器学习基石】机器学习的种类（三）

目录写在前面1. 不同的输出y（Out Space）2. 不同格式的标签（Data Label）3.不同的数据样本获取方式（Protocol）4. 不同的输入x（Input Space）写在前面主要讲了以下机器学习的不同分类标准，可以根据输出特征的不同、样本标签的不同、样本输入方式的不同以及输入特征的不同进行分类，这一节主要也是理解记忆的内容。 1. 不同的输出y（Out Space）对于前面提到过的机器学习模型，我们知道它最终的输出就是 yyy，根据不同的输出格式 yyy，我们可以对ML进行分类

taoxing 514

以LAN8720A为例的以太网硬件设计方案

输入时钟(XTAL1/CLKIN,XTAL2)：推荐外加25MHz（性价比较高）晶振为PHY芯片提供时钟，PHY芯片内部PLL将其倍频为50MHz来使用，亦可使用直接使用50MHz晶振。三位MODE通过高低电平组合分别对应以上8种模式，包含10M半双工，10M全双工，100M半双工，100M全双工，是否启用自协商协议，CRS是否有效等。VDDCR:1.2V电源，可由芯片内部稳压电源提供，亦可由外部电源提供，由外部电源提供可降低芯片功耗。REF_CLK:参考时钟，由MAC或外部时钟晶振向PHY芯片提供。

weixin_46154042的博客 5883

机器学习笔记（三）机器学习的种类

一、监督学习知道数据输入的同时还知道数据的标记。就相当于告诉你题目的同时还告诉你答案，让你在这种环境下学习，称之为监督学习。其中这几种类别的硬币已经被各种不同的颜色所标示好。二、无监督学习没有标示（就是没有输出y）的问题，就是不告诉你题目的正确答案让你自己去寻找，最常见的是聚类或者叫分群三、半监督学习通过少量有标记的训练点和大量无标记的训练点达到学习的目的...

dengyujiu3251的博客 138

立创开源：基于AD831/ADF4351的250-500MHz宽频调幅信号处理实验电路设计与实现

本文详细解析了基于AD831混频器和ADF4351本振源的250-500MHz宽频调幅信号处理实验电路的设计与实现。文章从项目需求出发，系统讲解了超外差接收架构、核心模块（包括射频前端、混频器、本振源、AGC环路及解调电路）的选型与原理，并提供了实战调试波形与性能验证，为射频电路学习者提供了从理论到实践的完整指南。

weixin_35706255的博客 225

《Ventoy 制作系统安装 U 盘的具体步骤》

然后您可以在电脑的磁盘管理中对 U 盘进行快速格式化，选择 FAT32 或 NTFS 文件系统。至此，Ventoy 系统安装 U 盘就制作完成了。您可以在需要安装系统的电脑上，从 U 盘启动，然后选择相应的系统镜像进行安装。安装完成后，将您需要的操作系统镜像文件（如 Windows、Linux 等的 ISO 格式镜像）复制到 U 盘的根目录。在安装程序中，选择您插入的 U 盘设备，确保选择正确，以免误操作。2. 确认选择的 U 盘盘符正确，防止误操作导致其他磁盘数据丢失。点击“安装”按钮，等待安装完成。

jiyiwangluokeji的博客 2665

Unity 机器学习(ML-Agents) 基础

Unity 机器学习 ML-Agents 基础Unity 官方示例下载ML-Agents 部分Python 下载AnacondaAnaconda 虚拟环境构建 ML-Agents安装 ML-Agents Python 包安装 ML-Agents 包ML-Agents 入门指南Unity Hub 部分虚拟环境训练虚拟环境训练运行：虚拟环境开始训练：虚拟环境观察训练进度：虚拟环境停止训练虚拟环境恢复训练虚拟环境训练模型ML-Agents 打造新的学习环境ML-Agents 资产导入 Unity 官

Maddie_Mo的博客 1万+

基于LendingClub数据的信贷分析和建模报告

一：课题分析二：数据获取三：数据探索３．１主要特征含义理解３．２特征分布３．２．１目标特征分布３．２．２分类变量的分布３．２．３连续数值特征分布３．２．４时序特征分布３．２．５文字特征分布３．２．６两两特征的协方差四：数据预处理４．１数据集划分４．２特征缺失值识别与处理４．２．１严重缺失值的处理４．２．２缺失值填充４．３同值性特...

棒子皮蹦蹦床 2万+

AIDE ML — 机器学习工程代理

AIDE 算法是一个树搜索代理，能够自主地编写、调试和测试代码，直到用户定义的指标达到最大值。由 LLM 驱动的代理，能够编写、评估和改进机器学习代码。知道还有其他引用或衍生自 AIDE 的公共项目吗？提示：使用完全本地化的模型时，性能可能会有所下降。使用侧边栏粘贴您的 API 密钥，上传数据，设置。用户界面显示实时日志、解决方案树和最佳代码。使用的Python 包的形式发布，并包含。智能体使用数据集，并用通俗易懂的英语描述。完全本地化（代码+评估器——无外部调用）替换新的搜索启发式方法、评估器。

具身机器人和通用AI 3625

【OpenCV】图像的像素直方图图像特征点 cv::FAST cv::ORB ORB_SLAM2::ORB

文章目录图像直方图代码实现cv::FAST和cv::ORB 检测图像特征点cv::FAST和cv::ORB 检测图像特征点代码实现ORB_SLAM2::ORB和自己实现ORB图像特征点检测效果对比ORB_SLAM2::ORB和自己实现ORB图像特征点检测效果对比代码实现图像直方图代码实现图像是由不同数值(颜色)的像素构成的，像素值在图像中的分布情况是图像的重要属性，可以用直方图修改图像的外观，标识图像的内容，检测图像中特定的物体或纹理。单通道灰度图像中每个像素都有一个 0(黑色)-255(白色)的整

小秋 AI SLAM 入门实战教程 2509

矩阵理论与应用：数理经济学中的投入产出模型分析

1. 背景介绍矩阵理论是现代数学中的一个重要分支，它在各个领域都有广泛的应用。其中，投入-产出模型是矩阵理论在经济学中的一种应用，它可以用来分析一个国家或地区的经济结构和发展趋势。本文将介绍投入-产出模型的基本概念和原理，并通过实例来说明其应用。 2. 核心概念与联系投入-产出模型是一

AI天才研究院 1486

ML.NET 机器学习实用指南（一）

机器学习（ML）在许多行业中得到广泛应用，如科学、医疗保健和研究，其受欢迎程度仍在不断增长。2018 年 3 月，微软推出了 ML.NET，以帮助.NET 爱好者与机器学习（ML）进行工作。通过这本书，你将探索如何使用 C#代码构建 ML.NET 应用程序，并使用各种 ML 模型。本书首先为你概述了机器学习和使用的 ML 算法类型，同时介绍了 ML.NET 是什么以及为什么需要它来构建 ML 应用程序。然后，你将探索 ML.NET 框架、其组件和 API。本书将作为一本实用指南，帮助你使用 ML.NET 库

龙哥盟 2923

matlab 质心重合法实现点云配准【2026最新版】

质心重合法是将源点云和目标点云的质心重合，以此缩小两点云集之间的平移误差，从而为下一步粗配准提供更好的初始位置姿态。

点云侠的博客 509

Swift 与机器学习：使用 Core ML 进行模型集成

Core ML 是苹果公司推出的机器学习框架，自 2017 年 6 月发布以来，一直致力于优化在移动设备上运行机器学习模型的性能。它为开发者提供了一套易于使用的 API，支持多种类型的机器学习模型，如神经网络、树集成、支持向量机和广义线性模型等。无论是处理图像、文本、音频还是其他数据类型，Core ML 都能提供高效的解决方案。通过本文的介绍，我们详细了解了如何使用 Swift 与 Core ML 框架进行机器学习模型的集成。

数字魔方操控师的博客 2030

Python + Playwright：集成 Applitools 进行视觉回归测试（快速入门）

Applitools是一款基于人工智能的视觉验证测试工具，专门用于自动化和验证应用程序的用户界面（UI）；Applitools使用视觉回归测试来检测应用程序界面的变化，确保 UI 在不同版本之间的一致性；Applitools的核心功能是通过视觉比较，检测 UI 元素的差异，而无需手动编写复杂的界面检查代码；通过集成Applitools，测试人员可以轻松捕捉和验证界面中的视觉差异，无论是在Web移动端或桌面应用的测试环境；

blues_C的博客 2919

复分析阿尔福斯(Ahlfors) 第三版答案英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

解锁C#新技能：用ML.NET开启机器学习之旅

ML.NET作为一款专为.NET 开发者打造的机器学习框架，以其跨平台、功能丰富、开发门槛低等显著优势，为.NET 开发者开启了通往机器学习领域的便捷之门。无论是在图像分类、文本分类，还是目标检测等众多应用场景中，ML.NET都展现出了强大的实用性和高效性。对于广大.NET 开发者而言，学习和使用ML.NET不仅能够提升自身的技术能力，拓宽职业发展道路，还能为自己的项目注入智能元素，使其在市场竞争中脱颖而出。如果你对机器学习充满好奇，渴望将其融入到自己的.NET 开发工作中，那么不妨从现在开始，尝试使用。

大雨淅淅的博客 1899

最新的sdio 4.0 spec 协议标准带书签高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准带书签高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。

上一篇：让CPU占用率曲线听你指挥

下一篇：机器学习的可行性(四)

在 Azure ML 上用 .NET 跑机器学习

Kinfey

11-04

4337