Author: LiChong0309
Lable: Reinforcement learning、Artificial intelligence、Deep learning、Machine learning

1.Machine learning

機器學習—>模擬人的學習方式—>獲取新的知識和技能—>重組已有的知識結構—>改善自身的效能。
Machine learning是Artificial intelligence的核心，是讓計算機具有智慧的根本途徑。

比如，中學階段通過大量的習題訓練，學習解題方法，為的是能夠在高考的時候取得好的成績，但是高考的題目是之前沒有見過的，但是這並不說明高考的題目是不能做出來的，我們可以通過對之前做過的習題的分析，找到解題的方法。
機器學習的原理和上面的例子差不多，利用一些已知的資料訓練機器（做習題），然後機器分析資料，找到內在聯絡（學習解題方法）,從而對未知的資料進行做出判斷和決策（做高考題）。

根據訓練方法的不同，可以將機器學習分為四類：
①：Supervised learning 監督學習
②：Unsupervised learning 無監督學習
③：Semi-Supervised learning 半監督學習

2.Classification of Machine learning

2.1. Supervised learning

Supervised Learning的資料是有特徵(feature)和標籤(label)的。機器可以尋找到標籤和特徵之間的聯絡，當面對只有特徵而沒有標籤的資料時，可以判斷出標籤。

用上面的高考題的例子：所謂的Supervised Learning，就是高考前的做的所有的題目都是有標準答案的，在學習和做題的過程中，可以對照答案，分析問題找出方法。在高考沒有答案的時候，也能夠正確的解決。這和我們大多數人在中學時的學習方法是一樣的。

2.2. Unsupervised learning

與Supervised Learning（監督學習）相對的是Unsupervised Learning（無監督學習）。Supervised的資料只有特徵（feature），沒有標籤（label）。
再舉高中做練習題的例子，就是所做的練習題沒有標準答案，換句話說，你也不知道自己做的是否正確，沒有參照。但是就算不知道答案，我們還是可以大致的將語文，數學，英語這些題目分開，因為這些問題內在還是具有一定的聯絡。 這種問題在機器學習領域中就被稱作聚類(Clustering)。在只有特徵沒有標籤的訓練資料集中，通過資料之間的內在聯絡和相似性將他們分成若干類。

2.3. Semi-Supervised learning

處在監督學習和無監督學習之間的是半監督學習。Semi-Supervised Learning中使用的資料，有一部分是標記過的，而大部分是沒有標記的。因此和監督學習相比，半監督學習的成本較低，但是又能達到較高的準確度。

2.4 Reinforcement Learning

強化學習也是使用未標記的資料，但是可以通過某種方法知道你是離正確答案越來越近還是越來越遠（即獎懲函式）。可以把獎懲函式想象成正確答案的一個延遲的、稀疏的形式。在監督學習中，能直接得到每個輸入的對應的輸出。強化學習中，訓練一段時間後，你才能得到一個延遲的反饋，並且只有一點提示說明你是離答案越來越遠還是越來越近。

3. Reference