机器学习概貌了解

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。机器学习可以根据不同的标准进行分类，以下是一些常见的分类方式：

一、按学习方式分类

1. 监督学习（Supervised Learning）
   • 定义：利用已标注的训练数据集来训练模型，然后用这个模型对新数据进行预测。
   • 特点：算法从标记的训练数据中学习，这些数据包括输入特征和期望的输出标签。目标是学习一个函数，该函数能够预测新数据的输出标签。
   • 常见任务：分类（如垃圾邮件检测、手写数字识别）和回归（如房价预测）。
   • 常见算法：支持向量机（SVM）、k近邻算法（k-NN）、决策树、随机森林、朴素贝叶斯、神经网络等。
2. 无监督学习（Unsupervised Learning）
   • 定义：在没有标签的数据上训练模型，以发现数据的结构或分布。
   • 特点：算法的目标是从未标注的数据中发现数据的结构或模式。
   • 常见任务：聚类（如市场细分）、降维（如主成分分析）和异常检测。
   • 常见算法：k均值聚类、层次聚类、DBSCAN、高斯混合模型（GMM）、主成分分析（PCA）等。
3. 强化学习（Reinforcement Learning）
   • 定义：智能系统在与环境的连续交互中学习最佳行为策略的机器学习问题。
   • 特点：智能系统通过观测环境状态、选择动作并接收奖励来优化其行为策略，目标是最大化长期累积奖励。