機器學習監督學習

1. 機器學習 一 監督學習和無監督學習的區別

你有一些樣本，已經知道每一個樣本屬於哪一類，然後用機器學習訓練一個模型，回對未知分類的新樣本進答行預測分類，就叫有監督學習。
無監督學習就是你有一些樣本，只知道大致應該分為幾類，但不知道具體每個樣本屬於哪一類，這時用聚類演算法訓練一個模型，把每一個樣本歸到一類中去，叫無監督學習。
簡單說兩者區別就是訓練數據的類標簽是否已知。

2. 機器學習該怎麼入門

掌握基本概念，挑出合適的一本書或者是一個庫，反復閱讀或者認真學習所有的相關教程。挑出一個並且堅持學習，直到你完全掌握，再重新選擇一個，重復這個學習過程。
1. 監督學習和無監督學習
利用一組已知類別的樣本調整分類器的參數，使其達到所要求性能的過程，也稱為監督訓練或有教師學習。正如人們通過已知病例學習診斷技術那樣，計算機要通過學習才能具有識別各種事物和現象的能力。用來進行學習的材料就是與被識別對象屬於同類的有限數量樣本。監督學習中在給予計算機學習樣本的同時，還告訴計算各個樣本所屬的類別。若所給的學習樣本不帶有類別信息，就是無監督學習。任何一種學習都有一定的目的，對於模式識別來說，就是要通過有限數量樣本的學習，使分類器在對無限多個模式進行分類時所產生的錯誤概率最小。

2. 馬爾可夫鏈和隱馬爾可夫鏈
馬爾可夫過程是下述這樣的一種過程：在已知時刻 t0 系統所處狀態的條件下，在時刻以後系統到達的情況與時刻 t0 以前系統所處的狀態無關，完全取決於時刻t0 系統所處的狀態。這個特性稱為無後效性，也稱為「馬爾可夫性」。
馬爾可夫過程數學定義如下：設{X(t), t∈T} 為隨機過程，如果對於任意正整數n及t1<t2<t3…. <tn，P{X(t1) = x1,X(t1) = x1,…..X(tn-1) = xn-1} >0, 並且其條件分布為:
P{X(tn) = xn| X(t1) = x1,X(t1) = x1,…..X(tn-1) = xn-1} = P{X(tn) = xn| X(tn-1) = xn-1}
則稱{X(t), t∈T} 為為馬爾可夫過程，或稱該過程具有馬爾可夫性。P{X(tn) = xn| X(tn-1) = xn-1} 也被稱為在時刻tn狀態轉移為xn的轉移概率。按照時間和狀態的離散、連續情況馬爾可夫過程可分為三類：
時間與狀態（空間）都離散的過程，稱為馬爾可夫鏈；
時間連續與狀態（空間）離散的過程，稱為連續時間的馬爾可夫過鏈；
時間與狀態（空間）都連續的馬爾可夫過程。
可見當時間與狀態空間都是離散的時候，這個過程就成為了馬爾可夫鏈/過程，那什麼是隱式馬爾可夫鏈/過程呢？
隱馬爾可夫模型（Hidden Markov Model，HMM）是統計模型，它用來描述一個含有隱含未知參數的馬爾可夫過程。其難點是從可觀察的參數中確定該過程的隱含參數，然後利用這些參數來作進一步的分析，例如模式識別。在正常的馬爾可夫模型中，狀態（也就是上面介紹的X(t)）對於觀察者來說是直接可見的。這樣狀態的轉換概率便是全部的參數。而在隱馬爾可夫模型中，狀態並不是直接可見的，但受狀態影響的某些變數則是可見的。每一個狀態在可能輸出的符號上都有一概率分布。因此輸出符號的序列能夠透露出狀態序列的一些信息。

3. 機器學習 一 監督學習和無監督學習的區別

機器學習的常用方法，主要分為有監督學習(supervised learning)和無監督學習(unsupervised learning)。
監督學習，就是人們常說的分類，通過已有的訓練樣本（即已知數據以及其對應的輸出）去訓練得到一個最優模型（這個模型屬於某個函數的集合，最優則表示在某個評價准則下是最佳的），再利用這個模型將所有的輸入映射為相應的輸出，對輸出進行簡單的判斷從而實現分類的目的，也就具有了對未知數據進行分類的能力。在人對事物的認識中，我們從孩子開始就被大人們教授這是鳥啊、那是豬啊、那是房子啊，等等。我們所見到的景物就是輸入數據，而大人們對這些景物的判斷結果（是房子還是鳥啊）就是相應的輸出。當我們見識多了以後，腦子里就慢慢地得到了一些泛化的模型，這就是訓練得到的那個（或者那些）函數，從而不需要大人在旁邊指點的時候，我們也能分辨的出來哪些是房子，哪些是鳥。監督學習里典型的例子就是KNN、SVM。
無監督學習（也有人叫非監督學習，反正都差不多）則是另一種研究的比較多的學習方法，它與監督學習的不同之處，在於我們事先沒有任何訓練樣本，而需要直接對數據進行建模。這聽起來似乎有點不可思議，但是在我們自身認識世界的過程中很多處都用到了無監督學習。比如我們去參觀一個畫展，我們完全對藝術一無所知，但是欣賞完多幅作品之後，我們也能把它們分成不同的派別（比如哪些更朦朧一點，哪些更寫實一些，即使我們不知道什麼叫做朦朧派，什麼叫做寫實派，但是至少我們能把他們分為兩個類）。無監督學習里典型的例子就是聚類了

4. 機器學習的分類

目前機器學習主流分為：監督學習，無監督學習，強化學習。
監督學習：
監督學習可分為「回歸」和「分類」問題。
在回歸問題中，我們會預測一個連續值。也就是說我們試圖將輸入變數和輸出用一個連續函數對應起來；而在分類問題中，我們會預測一個離散值，我們試圖將輸入變數與離散的類別對應起來。
每個數據點都會獲得標注，如類別標簽或與數值相關的標簽。一個類別標簽的例子：將圖片分類為「蘋果」或「橘子」；數值標簽的例子如：預測一套二手房的售價。監督學習的目的是通過學習許多有標簽的樣本，然後對新的數據做出預測。例如，准確識別新照片上的水果（分類）或者預測二手房的售價（回歸）。
無監督學習：
在無監督學習中，我們基本上不知道結果會是什麼樣子，但我們可以通過聚類的方式從數據中提取一個特殊的結構。
在無監督學習中給定的數據是和監督學習中給定的數據是不一樣的。數據點沒有相關的標簽。相反，無監督學習演算法的目標是以某種方式組織數據，然後找出數據中存在的內在結構。這包括將數據進行聚類，或者找到更簡單的方式處理復雜數據，使復雜數據看起來更簡單。
強化學習：
Alphago用的就是強化學習，強化學習是一種學習模型，它並不會直接給你解決方案——你要通過試錯去找到解決方案。
強化學習不需要標簽，你選擇的行動（move）越好，得到的反饋越多，所以你能通過執行這些行動看是輸是贏來學習下圍棋，不需要有人告訴你什麼是好的行動什麼是壞的行動。
給我影響最深的就是參加混沌大學的線下課，是AI的重量級人物Michael I. Jordan講的，其中有一段視頻是一個模擬的人，利用強化學習的演算法，從站不起來到最後能夠正常跑步的過程，而且真正實現的代碼連100行都不到，一頁ppt而已。
總結：
目前用到最多是監督學習和無監督學習，尤其是監督學習，因為應用場景多能給公司創造直接價值，如果找工作可以多關注。
但是強化學習是未來，因為能學習到的能力沒有數據限制。

5. 機器學習非監督機器學習演算法有哪些

非監督機器學習可以分為以下幾類
（1）聚類：K-均值聚類、譜聚類、DBSCAN聚類、模糊聚類、GMM聚類、層次聚類等
（2）降維：PCA、t-SNE、MDS等
（3）其它：PageRank、SOM等
詳細介紹可以參考圖書：The Elements of Statistical Learning的第14章

6. 機器學習有哪些分類

機器學習可以分成下面幾種類別：
監督學習從給定的訓練數據集中學習出一個函數，當新的數據到來時，可以根據這個函數預測結果。監督學習的訓練集要求是包括輸入和輸出，也可以說是特徵和目標。訓練集中的目標是由人標注的。常見的監督學習演算法包括回歸分析和統計分類。
監督學習和非監督學習的差別就是訓練集目標是否人標注。他們都有訓練集 且都有輸入和輸出
無監督學習與監督學習相比，訓練集沒有人為標注的結果。常見的無監督學習演算法有生成對抗網路、聚類。
半監督學習介於監督學習與無監督學習之間。
增強學習機器為了達成目標，隨著環境的變動，而逐步調整其行為，並評估每一個行動之後所到的回饋是正向的或負向的。

7. 機器學習 一 監督學習和無監督學習的區別

1、機器學習按照方法來分類，可以分成四類，分別是：監督學習、無監督學習、半監督學習和強化學習。
2、監督學習針對有標簽數據集，它通過學習出一個模型（其實就是一個函數）來擬合數據，按照模型（函數）的輸出結果是否離散又可以分為兩類，分別是：（1）輸出結果為離散值，則為分類問題（常見的分類演算法：KNN、貝葉斯分類器、決策樹、SVM、神經網路、GBDT、隨機森林等）；（2）輸出結果為連續值，則為回歸問題（有線性回歸和邏輯回歸兩種）。
3、無監督學習針對沒有標簽的數據集，它將樣本按照距離劃分成類簇，使得類內相似性最大，類間相似性最小。通過觀察聚類結果，我們可以得到數據集的分布情況，為進一步分析提供支撐。常見的聚類演算法有K-means、高斯混合模型和LDA。

8. 機器學習 一 監督學習和無監督學習的區別

機器學習任務根據訓練樣本是否有label，可以分為監督學習和無監督版學習
監督學習的訓練樣本有label，主要是學權習得到一個特徵空間到label的映射，如分類、回歸等
無監督學習的訓練樣本沒有label，主要是發現樣本的內部結構，如聚類、降維、可視化等

9. 強化學習與其他機器學習方法有什麼不同

我們都知道，人工智慧是一個十分重要的技術，現在很多的大型科技公司都開始重視人工智慧的發展。人工智慧的發展不是空穴開風，是因為機器學習使得人工智慧有了飛躍的發展。其實機器學習的方法有很多，在這篇文章中我們就重點說一下機器學習中的強化學習。強化學習是機器學習中一個十分重要的方法，那強化學習與其他機器學習方法究竟有什麼不同呢？下面我們就給大家解答一下這個問題。
首先我們給大家介紹一下什麼是強化學習，其實強化學習又稱再勵學習、評價學習，是一種重要的機器學習方法，在智能控制機器人及分析預測等領域有許多應用。在傳統的機器學習分類中沒有提到過強化學習，而在連接主義學習中，把學習演算法分為三種類型，即非監督學習、監督學習和強化學習。
那麼強化學習與別的演算法有什麼區別呢？首先我們給大家說一下監督學習和強化學習的區別，在監督學習中，在外部有一個「監督主管」，它擁有所有環境的知識，並且與智能體一起共享這個知識，從而幫助智能體完成任務。但是這樣存在一些問題，因為在一個任務中，其中存在如此多的子任務之間的組合，智能體應該執行並且實現目標。所以，創建一個「監督主管」幾乎是不切實際的。在這些問題中，從自己的經驗中學習，並且獲得知識是更加合理可行的。這就是強化學習和監督學習的主要區別。在監督學習和強化學習中，在輸入和輸出之間都存在映射。但是在強化學習中，存在的是對智能體的獎勵反饋函數，而不是像監督學習直接告訴智能體最終的答案。
然後我們給大家說一下無監督學習與強化學習的區別，在強化學習中，有一個從輸入到輸出的映射過程，但是這個過程在無監督學習中是不存在的。在無監督學習中，主要任務是找到一個最基礎的模式，而不是一種映射關系。無監督學習就是根據自己獲得的數據去構建一個「知識圖譜」，從而去找出相似內容的數據。具體應用就是新聞頭條的適配。
其實還有第四種類型的機器學習，成為半監督學習，其本質上是監督學習和無監督學習的組合。它不同於強化學習，類似於監督學習和半監督學習具有直接的參照答案，而強化學習不具有。
關於強化學習與其他機器學習演算法的不同我們就給大家介紹到這里了，相信大家對強化學習的知識有了更深的了解了吧？希望這篇文章能夠更好的幫助大家理解強化學習。

10. 機器學習的基本任務是什麼

就目前而言，大家都聽說過人工智慧、物聯網以及大數據。當然，人工智慧的熱度最高。可以說，我國當下的人工智慧發展是處於領先水平的。現如今，人工智慧有很多的應用早已在人們的生活中普及，那麼大家是否知道機器學習的基本任務是什麼呢？下面我們直接進入正題。
1.機器學習的概念是什麼？
對於機器學習的概念，網路上是這么解釋的，機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。
2.機器學習中的任務
當然，機器學習基於數據，並以此獲取新知識、新技能。它的任務有很多，分類是其基本任務之一。分類就是將新數據劃分到合適的類別中，一般用於類別型的目標特徵，如果目標特徵為連續型，則往往採用回歸方法。回歸是對新目標特徵進行預測，是機器學習中使用非常廣泛的方法之一。
3.分類和回歸
機器學習中的分類和回歸，都是先根據標簽值或目標值建立模型或規則，然後利用這些帶有目標值的數據形成的模型或規則，對新數據進行識別或預測。這兩種方法都屬於監督學習。與監督學習相對是無監督學習，無監督學習不指定目標值或預先無法知道目標值，它可以將把相似或相近的數據劃分到相同的組里，聚類就是解決這一類問題的方法之一。
4.機器學習的演算法都有哪些呢？
機器學習除了監督學習、無監督學習這兩種最常見的方法外，還有半監督學習、強化學習等方法，這些基本任務間的關系就是機器學習包括監督學習和無監督學習，而監督學習就是基於輸入數據及目標值訓練預測模型，而具體細分為分類和回歸，其中分類就是有決策樹、支持向量機、樸素貝葉斯、K-近鄰、集成方法等等，而回歸則是有線性回歸、邏輯回歸、集成方法、神經網路知識等等。而非監督學習就是根據輸入數據對數據進行分組，其中最具體的方式就是聚類，而涉及到的演算法有K-均值演算法，高斯混合演算法、分層聚類演算法等等。
通過這篇文章我們給大家介紹了關於機器學習基本任務的知識，從中我們不難發現機器學習有很多可供運用和發展的東西，我們在學習機器學習的時候一定要好好吸收這些知識的，讓自己的基礎更加牢固，能夠融會貫通。