在机器学习中又分为监督学习、无监督学习、半监督学习、强化学习和深度学习。

监督、无监督、半监督学习

机器学习根据数据集是否有标签又分为监督学习、无监督学习、半监督学习。

1. 监督学习训练数据集全部都有标签
2. 无监督学习训练数据集全部没有标签
3. 半监督学习训练数据集有的有标签有的没有标签。

监督学习数据集全部都有标签根据标签的特点监督学习又分为回归问题和分类问题。

1. 回归问题标签是连续的数值。是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析说白了就是当自变量变化的时候研究一下因变量是怎么跟着变化的。比如说电商场景中的销量预测、客户生命周期价值预测等。
2. 分类问题标签是离散型数值。就是将数据分为不同的类别标签。通常用于图像识别、文本分类等分类问题。

无监督学习应用于没有标签的数据集。它通过数据出发自动寻找规律通常应用在聚类、降维等有限场景中。

无监督学习聚类方法是一种将数据集中的对象分组的方法分成多个不同的组。其目的是使组内对象相似度尽可能高组间对象相似度尽可能低。

半监督学习是介于监督学习和无监督学习之间的一种学习方法这种机器学习类型的应用通常是因为获取数据标签难度很高。它利用少量的带标签数据和大量的未标记数据来训练模型以达到提高模型预测性能的目的。在半监督学习中带标签数据通常是由领域专家手动标注的而未标记数据则是从大量的无标签数据中获取的。

哪种监督学习更为常用

监督学习是应用最广泛的机器学习算法无监督学习在聚类场景中使用更多例如 为用户做分组画像。半监督学习应用场景比较少目前我还没遇见过感兴趣的自行了解。

强化学习

强化学习与人类的学习方式最为相似。强化学习是一种通过试错的方式从环境中学习最优决策策略的机器学习方法。智能体agent通过与环境交互获得奖励信号来学习如何做出最好的决策。它通过反复的试错、不断的收集反馈不断的学习不断地训练使得它会变得越来越强。

强化学习和监督学习的差异在于监督学习是从数据中学习而强化学习是从环境给它的奖惩中学习。

强化学习在机器人、汽车自动驾驶领域应用广泛。

举个小例子人训练当人给一个手势时如果正确执行了我们的指令那我们就给它骨头奖励如果不执行我们的指令那我们就给它一些惩罚通过一定时间的反复训练就学会了执行人类的指令。这是一样的道理。

深度学习

科学家生物神经元的启发照葫芦画瓢创建除了人工神经网络然后发现这玩意还挺好用。神经网络的发展由最开始的单层神经网络发展到深层神经网络而深层神经网络中卷积神经网络可以说是大杀四方它在语音识别、自然语言处理和计算机视觉领域被广泛应用。

深度学习是一种基于神经网络算法的机器学习技术它通过多层神经网络来学习高级抽象特征并进行模式识别和预测。

深度学习擅长对非结构的数据集进行自动的复杂特征提取。它并不是一种独立于其他类型机器学习算法它可以应用在监督学习、半监督学习和无监督学习和强化学习中。

神经网络是一种计算模型它受到生物神经元的启发通过多个神经元的组合和连接实现对输入数据的处理和预测。

神经网络由多个神经元组成每个神经元接收一组输入并产生一个输出。神经网络通常由多个层次组成包括输入层、隐藏层和输出层。

1. 输入层是神经网络的第一层它接收输入数据并将其传递到下一层。
2. 隐藏层是神经网络的中间层通过对输入数据进行加权和激活函数的处理实现了对复杂特征的提取。
3. 输出层是神经网络的最后一层输出层将经过处理的数据转化为输出结果并与实际结果进行比较以计算损失函数并更新模型参数。
   
   神经网络的工作原理可以分为前向传播和反向传播两个过程。

1、 前向传播输入信号从输入层开始经过一系列的加权求和和激活函数处理后传递给下一层神经元下一层神经元的输入是上一次神经元的输出这个过程一直持续到输出层得到最终的计算结果。
2、 反向传播根据输出层的计算结果和实际目标值计算误差然后按原路径反向传播误差它通过将损失函数反向传播到神经网络中的每个神经元以更新神经元的权重和偏置以最小化误差。这个过程可以通过梯度下降等优化算法实现。

通过不断地前向传播和反向传播神经网络学会了从输入数据中提取有用的特征使得我们的模型精度逐渐提升以完成分类、预测等任务。

神经网络在图像识别、自然语言处理、推荐系统等领域中取得了显著的成果。在图像识别领域CNN卷积神经网络通过对图像进行卷积和池化等操作实现对图像的特征提取和分类。在自然语言处理领域RNN循环神经网络通过对文本序列进行处理实现对文本的理解和生成。在推荐系统领域DNN深度神经网络通过对用户和物品的数据进行处理和分析实现对用户的个性化推荐和优化。