一文搞懂机器学习！！！

一、概念

      学习能力是智能的重要标志之一。机器学习是人工智能的核心研究课题之一。

      从大量的数据中学习获得经验，从而预测未知的结果

      程序从经验(E)中学习，达到一定的性能(P)，完成特定的任务(T)

二、重点内容

机器学习分类可以分为监督学习、无监督学习、半监督学习和强化学习四种类型

本篇文章着重讲一下监督学习和无监督学习

1.监督学习（Supervised Learning）：

在监督学习中，算法通过已知的标签的训练数据来学习输入和输出之间的映射关系，然后根据学习到的模式对新数据进行预测和分类（有人为辅助，给出一个答案，机器去预测是什么东西（有标签））

     回归：线性回归eg：房价预测（连续）

     连续：具体的值

       

     分类：逻辑回归eg：乳腺癌分类（离散）

     输出值：离散：0或1

2.无监督学习（Unsupervised Learning）：

监督学习中，算法只能从输入数据中学习模式和结构，而不需要标签或指导。常见的无监督学习任务包括聚类、降维和关联规则学习。

不给出答案，让机器从数据的内在特征中去聚类（无标签）

     聚类：新闻分类

        

     降维：基因序列

3.半监督学习（Semi-supervised Learning）：

半监督学习结合了监督学习和无监督学习的特点，利用一小部分标记的数据和大量未标记的数据进行学习。它通常可以提高监督学习的性能，特别是当标记数据稀缺或昂贵时。

4.强化学习（Reinforcement Learning）：

强化学习是一种通过代理与环境交互，根据环境的奖励信号学习最优行为策略的方法。强化学习适用于需要长期决策和迭代优化的问题，如游戏、机器人控制和金融交易等领域。

三、区别

他们最大的区别就是模型在训练时需要人工标注的标签信息，监督学习利用大量的标注数据来训练模型，使模型最终学习到输入和输出标签之间的相关性；半监督学习利用少量有标签的数据和大量无标签的数据来训练网络；而无监督学习不依赖任何标签值，通过对数据内在特征的挖掘，找到样本间的关系，比如聚类。

使用监督学习时我们需要足够的标记数据。为了获得这些信息，需要手工标记数据(图像/文本)，这是一个既耗时又昂贵的过程。还有一些领域，比如医疗领域，获取足够的数据本身就是一个挑战。而在使用无监督学习的时候，例如自编码器，仅仅是做了维度的降低而已，并没有包含更多的语义特征，对下游任务并没有很大的帮助。