學習的種類

參考書：圖解機器學習

1.監督學習

（1）定義：指有求知慾的學生從老師那裡獲取知識、資訊，老師提供對錯指示、告知最終答案的學習過程。
在機器學習中，計算機 = 學生，周圍的環境 = 老師。
（2）最終目標：根據在學習過程中獲得的經驗技能，對沒學習過的問題也可以做出正確解答，使計算機獲得這種泛化能力。
（3）應用：手寫文字識別、聲音處理、影象處理、垃圾郵件分類與攔截、網頁檢索、基因診斷、股票預測等。
（4）典型任務：預測數值型資料的迴歸、預測分類標籤的分類、預測順序的排列
（5）我的理解：計算機在正確輸出的不斷更正和指引下，不斷提高自己分析和解決問題的正確性。

2.無監督學習

（1）定義：指在沒有老師的情況下，學生自學的過程。
在機器學習中，計算機從網際網路中自動收集資訊，並獲取有用資訊。
（2）最終目標：無監督學習不侷限於解決有正確答案的問題，所以目標可以不必十分明確。
（3）應用：人造衛星故障診斷、視訊分析、社交網站解析、聲音訊號解析、資料視覺化、監督學習的前處理工具等。
（4）典型任務：聚類、異常檢測。
（5）我的理解：計算機從網路中獲取有用的資訊。

3.強化學習

（1）定義：指在沒有老師提示的情況下，自己對預測的結果進行評估的方法。通過這樣的自我評估，學生為了獲得老師的最高價將而不斷的進行學習。
強化學習被認為使人類主要的學習模式之一。
（2）最終目標：使計算機獲得對沒學習過的問題也可以做出正確解答的泛化能力。
（3）應用：機器人的自動控制、計算機遊戲中的人工智慧、市場戰略的最優化等。
（4）典型任務：迴歸、分類、聚類、降維。
（5）我的理解：與監督學習不同的是，強化學習沒有正確輸出的引導，也就是沒有正確的答案；與無監督學習不同的是，強化學習需要對獲取到的資訊進行自我評估。

典型任務

1.迴歸

（1）定義：指把實函式在樣本點附近加以近似的有監督的函式近似問題。
（2）我的理解：對於一組輸入x，通過函式f計算，有一組正確的輸出y，計算機通過函式f’計算，得出自己的輸出y’，計算機通過比較自己的輸出和正確輸出的過程中，改進自己的f’，使其接近於真真實函式f（在計算機比較自己的輸出與正確輸出的過程中，會產生噪聲）。

2.分類

（1）定義：指對於指定的模式進行識別的有監督的模型識別問題。
（2）我的理解：與迴歸類似，但是輸出的是對輸入的分類。

3.異常檢測

（1）定義：指尋找輸入樣本中所包含的異常資料的問題。
（2）我的理解：計算機通過對一組資料的分析，將中間的異常資料剔除。若已知異常資料，則與有監督的分類類似；一般情況下並不知道異常資料，多采用密度估計的方法，剔除偏離密度中心的資料。

4.聚類

（1）定義：與分類問題相同，也是模式識別的問題，但是屬於無監督學習的一種。
（2）我的理解：與分類類似，但是隻有輸入，需要計算機自己分出資料屬於哪一簇（聚類中，用簇代替類別）。

5.降維

（1）指從高維度資料中提取關鍵資訊，將其轉換為易於計算的低維度問題進而求解。
若輸入輸出均已知，屬於監督學習；若只有輸入已知，屬於無監督學習，注意在轉換為低維度的樣本後，應保持原始輸入樣本的資料分佈性質，以及資料間的近鄰關係不發生變化。
（2）我的理解：計算機通過對高維度資料降維，使得其維度降低但是資料特徵和資料間的關係不變，便於分析和解決。