接觸機器學習有一段時間了，有些東西還是要記錄下來才有意義。從本篇開始，我將持續更新關於機器學習的內容，非常適合新手入門或小白來學習。今天來介紹一下機器學習的整體框架，為我們之後章節的學習鋪平道路。
根據定義，可以發現機器學習的三大組成要素：任務、模型、特徵，如圖所示是它們之間的關係。
注意：在很多情況下，資料集中都會存在「雜訊」，例如樣本可能被賦予了錯誤的標註資訊，或者特徵本身就有錯誤，如果此時一味地追求訓練集的正確分類，則可能會導致該模型過擬合，無法在測試集中進行推廣。這就好比我們在背題的時候不能死記硬背，如果只是記住了答案，那麼在考試的時候換了題就不會了。
①當訓練樣本帶有標籤時是有監督學習，有監督學習主要的型別是分類和回歸；
②訓練樣本部分有標籤，部分無標籤時是半監督學習；
③訓練樣本全部無標籤時是無監督學習，無監督學習的主要型別是聚類和降維（降維通過找到共同點來減少資料集的變數。大多數大資料視覺化使用降維來識別趨勢和規則）；
④遷移學習就是就是把已經訓練好的模型引數遷移到新的模型上以幫助新模型訓練。
⑤強化學習使用機器的個人歷史和經驗來做出決定。強化學習的經典應用是玩遊戲。與監督和非監督學習不同，強化學習不涉及提供「正確的」答案或輸出。相反，它只關注效能。這反映了人類是如何根據積極和消極的結果學習的。很快就學會了不要重複這一動作。同樣的道理，一台下棋的電腦可以學會不把它的國王移到對手的棋子可以進入的空間。然後，西洋棋的這一基本教訓就可以被擴充套件和推斷出來，直到機器能夠打(並最終擊敗)人類頂級玩家為止。
**性模型
描述性模型
有監督學習
分類、回歸
子**現
無監督學習
**性聚類
描述性聚類、關聯規則發現
經常會看到有人問，深度學習和機器學習有什麼聯絡。其實它倆的區別很簡單，深度學習是機器學習的乙個子集，而機器學習又是人工智慧的乙個分支。因此，機器學習在生活中廣泛應用：
如果想看更詳細的介紹，可以參考
機器學習1 什麼是機器學習
原文 arthur samuel定義機器學習為，在無特定程式設計的情況下，給予計算機學習能力的領域。這個定義不正式而又古老。tom mitchell提供了乙個更現代的定義 乙個程式被認為能從經驗e中學習，解決任務 t，達到 效能度量值p，當且僅當，有了經驗e後，經過p評判，程式在處理 t 時的效能有...
什麼是機器學習
機器學習 machine learning 是研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。它是人工智慧的核心，是使計算機具有智慧型的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納 綜合而不是演譯。學習能力是智慧型行為的乙個非常重...
什麼是機器學習
廣州的天氣總是陰晴不定，經常上午陽光燦爛，下午突然烏雲密布，狂風亂作，然後就是傾盆大雨。每次看見烏雲和大風，人們就知道要下大雨了。為什麼我們看見烏雲感受到大風，就知道要下雨了呢？我們能做出這些有效的預判，是因為我們已經積累了許多經驗，而通過對經驗的利用，就能對新情況做出有效 那麼，這樣利用經驗做出判...