2、机器学习入门：概念、流程与挑战

机器学习入门：概念、流程与挑战

1. 机器学习类型

机器学习问题主要分为监督学习和无监督学习两类。
- 监督学习 ：提前知道数据的真实标签，将带标签的数据输入模型，期望模型学习后能对新数据进行标签预测。例如给图像标注为“猫”，或标注婴儿出生体重为 2.3 千克。监督学习问题又可分为分类和回归：
- 分类模型 ：将输入数据分配到离散的、预定义的类别标签中。比如确定图像中宠物的品种、给文档打标签、预测交易是否欺诈等。
- 回归模型 ：为输入数据分配连续的数值。例如预测自行车骑行的时长、公司未来的收入、产品的价格等。
- 无监督学习 ：事先不知道数据的标签，目标是构建一个模型，使其能够找到数据的自然分组（聚类）、压缩信息内容（降维）或发现关联规则。虽然图中未包含，但像自编码器这样的神经网络也可用于无监督学习。

此外，还有一些特定类型的机器学习模型：
- 线性模型 ：只有输入和输出层的神经网络，是机器学习的一个子集，使用线性函数表示从数据中学到的模式。
- 决策树 ：利用数据创建具有各种分支的路径子集，这些分支近似表示数据不同结果的情况。
- 聚类模型 ：寻找数据不同子集之间的相似性，并根据识别出的模式将数据分组。

2. 数据与特征工程

数据是机器学习问题的核心，涉及训练、验证和测试模型的数据集合，具体包括：
-