一、學習方式
監督式學習
在監督式學習下，輸入資料被稱為「訓練資料」，每組訓練資料都有乙個明確的標識或結果，如對防垃圾郵件系統中的「垃圾郵件」、「非垃圾郵件」，對手寫數字識別中的「1」、「2」、「3」、「4」等。在建立**模型時，監督式學習建立乙個學習過程，將預期結果與「訓練資料」的實際結果進行比較，不斷地調整**模型，直到模型的**結果達到乙個預期的準確率。監督式學習的常見應用場景包括分類問題和回歸問題。常規演算法有邏輯回歸和反向傳遞神經網路。
非監督式學習
在非監督式學習下，資料並不被特別標識，學習模型是為了推斷出資料的一些內在結構。常見的應用場景包括關聯規則的學習及聚類等。常見演算法有apriori演算法和k-means演算法。
半監督式學習
在半監督式學習下，輸入資料部分被標識，部分沒有被標識。這種學習模型可以用來進行**，但是模型首先需要學習資料的內在結構，以便合理地組織資料進行**。其應用場景包括分類和回歸。常見演算法包括一些對常用監督式學習演算法的延伸。這些演算法首先試圖對未標識的資料進行建模，然後在此基礎上對標識的資料進行**，如圖論推理演算法或拉普拉斯支援向量機等。
強化學習
在強化學習下，輸入資料作為對模型的反饋，不像監督模型那樣，輸入資料僅僅作為一種檢查模型對錯的方式。在強化學習下，輸入資料直接反饋到模型。常見的應用場景包括動態系統及機械人控制等。常見演算法包括q-learning及時間差學習等。
二、演算法類似性
機器學習概覽
當今機器學習是乙個非常熱門的話題，每個人都在談論機器學習，並討論它如何在他們的業務或職業生涯中發揮作用。機器學習是一種資料分析方法，可以使分析模型建立自動化。它是人工智慧的乙個分支，其基礎是機器應該能夠通過經驗學習和適應。機器學習的型別 監督學習 無監督學習 強化學習 建立良好的機器學習系統需要什麼...
機器學習概覽
什麼是機器學習？機器學習是基於歷史資料，從中學習和一種滿足業務的模型，然後用這個模型去 類似模型資料的事件。機器學習的應用場景 1.事物存在某種潛在規律 2.某些問題難以使用普通程式設計解決 3.有大量資料可以使用 機器學習的分流程 機器學習的演算法分類 按輸出空間劃分 1.分類問題 2.回歸問題 ...
機器學習 概覽
型別 目的演算法 監督學習 結果 分類，回歸 非監督學習 發現潛在結構 聚類，降維 強化學習 長期利益最大化，回報函式 馬爾科夫決策，動態規劃 邏輯回歸 lr logistic regression 支援向量機 svm support vector machine knn k nearest nei...