機器學習演算法可分為四大類：
二分類、多分類及標量回歸問題都屬於監督學習。即給定一組樣本（樣本通常需要人工進行標註），通過這組樣本的學習，當輸入未標註的資料時會自動對映到已知目標（人工標註）。監督學習還包括幾種除分類回歸外的任務：
1.序列生成：
給定一張影象，**出描述該影象的文字。
2.語法樹**：
給定乙個句子，**其分解生成的語法樹。
3.目標檢測：
給定一張影象，在影象中特定的目標（乙個或多個）周圍畫乙個邊界框，並識別框內目標類別（分類問題），給出邊界框的座標（回歸問題）。
4.影象分割：
給定一張影象，在特定物體上畫乙個畫素級的mask。
無監督學習就是在沒有目標的情況下尋找輸入資料的規律，其目的是將資料視覺化、壓縮、去噪或能更好的理解資料間的相關性。它是解決監督學習前的乙個必要步驟。降維和聚類都屬於無監督學習方法。
自監督學習是監督的學習的乙個特例。它是沒有人工標註的監督學習，但是是有標籤的（從輸入資料中生成）。
自編碼器就是自監督學習的例子，它生成的目標就是未經修改的輸入。
在強化學習中，智慧型體接受有關其環境的資訊，並學會選擇使某種獎勵最大化的行動。
1.樣本/輸入：進入模型的資料。2.**/輸出：從模型出來的結果。
3.目標：真實值，對於外部資料來源（非樣本資料），我們的模型理應能夠**出目標。
4.**誤差/損失值：模型**與目標之間的距離。
5.類別：分類問題中供選擇的一組標籤。
6.標籤：分類問題中類別標註的具體例子。如乙個影象被標註為某個類別，那麼這個類別就是這個影象的標籤。
7.真值/標註：資料集的所有目標，通常人工收集。
8.二分類：一種分類任務，每個輸入樣本都應該被劃分到兩個互斥的類別中。
9.多分類：一種分類任務，每個輸入樣本都應該被劃分到兩個以上的類別中。
10.多標籤分類：一種分類任務，每個輸入樣本都可以分配多個標籤。如一副圖中有幾個類別，那麼就有幾個類別的標籤。
11.標量回歸：目標是連續標量值的任務。
12.向量回歸：目標是一組連續值（乙個連續向量）的任務。如果對多個值（如影象邊界框的座標）進行回歸，那就是向量回歸。
13.小批量/批量：模型同時處理的一小部分樣本（8-128）。樣本數通常取2的冪這樣便於cpu上記憶體的分配。
機器學習（四） Logistic回歸分類
logistic回歸是眾多分類演算法中的一員。通常，logistic回歸用於二分類問題，例如 明天是否會下雨。當然它也可以用於多分類問題，不過為了簡單起見，本文暫先討論二分類問題。首先，讓我們來了解一下，什麼是logistic回歸。1 logistic回歸 相當於sigmoid 函式 假設現在有一些...
機器學習中的分類 回歸 標註
在資料探勘 人工智慧等領域中存在兩個 分類和回歸。單說分類很容易理解，但想到回歸就容易分不清晰，那麼這兩者到底有什麼區別和聯絡呢？下面簡單介紹下我的理解。其實回歸問題和分類問題的本質一樣，都是針對乙個輸入做出乙個輸出 其區別在於輸出變數的型別。分類問題是指，給定乙個新的模式，根據訓練集推斷它所對應的...
機器學習 回歸和分類的區別
回歸與分類的不同 分類和回歸的區別在於輸出變數的型別。定量輸出稱為回歸，或者說是連續變數 定性輸出稱為分類，或者說是離散變數 舉個例子 明天的氣溫是多少度，這是乙個回歸任務 明天是陰 晴還是雨，就是乙個分類任務。1.回歸問題的應用場景 的結果是連續的，例如 明天的溫度，23，24，25度 回歸問題通...