机器学习监督学习

1. 机器学习 一 监督学习和无监督学习的区别

你有一些样本，已经知道每一个样本属于哪一类，然后用机器学习训练一个模型，回对未知分类的新样本进答行预测分类，就叫有监督学习。
无监督学习就是你有一些样本，只知道大致应该分为几类，但不知道具体每个样本属于哪一类，这时用聚类算法训练一个模型，把每一个样本归到一类中去，叫无监督学习。
简单说两者区别就是训练数据的类标签是否已知。

2. 机器学习该怎么入门

掌握基本概念，挑出合适的一本书或者是一个库，反复阅读或者认真学习所有的相关教程。挑出一个并且坚持学习，直到你完全掌握，再重新选择一个，重复这个学习过程。
1. 监督学习和无监督学习
利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。正如人们通过已知病例学习诊断技术那样，计算机要通过学习才能具有识别各种事物和现象的能力。用来进行学习的材料就是与被识别对象属于同类的有限数量样本。监督学习中在给予计算机学习样本的同时，还告诉计算各个样本所属的类别。若所给的学习样本不带有类别信息，就是无监督学习。任何一种学习都有一定的目的，对于模式识别来说，就是要通过有限数量样本的学习，使分类器在对无限多个模式进行分类时所产生的错误概率最小。

2. 马尔可夫链和隐马尔可夫链
马尔可夫过程是下述这样的一种过程：在已知时刻 t0 系统所处状态的条件下，在时刻以后系统到达的情况与时刻 t0 以前系统所处的状态无关，完全取决于时刻t0 系统所处的状态。这个特性称为无后效性，也称为“马尔可夫性”。
马尔可夫过程数学定义如下：设{X(t), t∈T} 为随机过程，如果对于任意正整数n及t1<t2<t3…. <tn，P{X(t1) = x1,X(t1) = x1,…..X(tn-1) = xn-1} >0, 并且其条件分布为:
P{X(tn) = xn| X(t1) = x1,X(t1) = x1,…..X(tn-1) = xn-1} = P{X(tn) = xn| X(tn-1) = xn-1}
则称{X(t), t∈T} 为为马尔可夫过程，或称该过程具有马尔可夫性。P{X(tn) = xn| X(tn-1) = xn-1} 也被称为在时刻tn状态转移为xn的转移概率。按照时间和状态的离散、连续情况马尔可夫过程可分为三类：
时间与状态（空间）都离散的过程，称为马尔可夫链；
时间连续与状态（空间）离散的过程，称为连续时间的马尔可夫过链；
时间与状态（空间）都连续的马尔可夫过程。
可见当时间与状态空间都是离散的时候，这个过程就成为了马尔可夫链/过程，那什么是隐式马尔可夫链/过程呢？
隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数，然后利用这些参数来作进一步的分析，例如模式识别。在正常的马尔可夫模型中，状态（也就是上面介绍的X(t)）对于观察者来说是直接可见的。这样状态的转换概率便是全部的参数。而在隐马尔可夫模型中，状态并不是直接可见的，但受状态影响的某些变量则是可见的。每一个状态在可能输出的符号上都有一概率分布。因此输出符号的序列能够透露出状态序列的一些信息。

3. 机器学习 一 监督学习和无监督学习的区别

机器学习的常用方法，主要分为有监督学习(supervised learning)和无监督学习(unsupervised learning)。
监督学习，就是人们常说的分类，通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。在人对事物的认识中，我们从孩子开始就被大人们教授这是鸟啊、那是猪啊、那是房子啊，等等。我们所见到的景物就是输入数据，而大人们对这些景物的判断结果（是房子还是鸟啊）就是相应的输出。当我们见识多了以后，脑子里就慢慢地得到了一些泛化的模型，这就是训练得到的那个（或者那些）函数，从而不需要大人在旁边指点的时候，我们也能分辨的出来哪些是房子，哪些是鸟。监督学习里典型的例子就是KNN、SVM。
无监督学习（也有人叫非监督学习，反正都差不多）则是另一种研究的比较多的学习方法，它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。这听起来似乎有点不可思议，但是在我们自身认识世界的过程中很多处都用到了无监督学习。比如我们去参观一个画展，我们完全对艺术一无所知，但是欣赏完多幅作品之后，我们也能把它们分成不同的派别（比如哪些更朦胧一点，哪些更写实一些，即使我们不知道什么叫做朦胧派，什么叫做写实派，但是至少我们能把他们分为两个类）。无监督学习里典型的例子就是聚类了

4. 机器学习的分类

目前机器学习主流分为：监督学习，无监督学习，强化学习。
监督学习：
监督学习可分为“回归”和“分类”问题。
在回归问题中，我们会预测一个连续值。也就是说我们试图将输入变量和输出用一个连续函数对应起来；而在分类问题中，我们会预测一个离散值，我们试图将输入变量与离散的类别对应起来。
每个数据点都会获得标注，如类别标签或与数值相关的标签。一个类别标签的例子：将图片分类为「苹果」或「橘子」；数值标签的例子如：预测一套二手房的售价。监督学习的目的是通过学习许多有标签的样本，然后对新的数据做出预测。例如，准确识别新照片上的水果（分类）或者预测二手房的售价（回归）。
无监督学习：
在无监督学习中，我们基本上不知道结果会是什么样子，但我们可以通过聚类的方式从数据中提取一个特殊的结构。
在无监督学习中给定的数据是和监督学习中给定的数据是不一样的。数据点没有相关的标签。相反，无监督学习算法的目标是以某种方式组织数据，然后找出数据中存在的内在结构。这包括将数据进行聚类，或者找到更简单的方式处理复杂数据，使复杂数据看起来更简单。
强化学习：
Alphago用的就是强化学习，强化学习是一种学习模型，它并不会直接给你解决方案——你要通过试错去找到解决方案。
强化学习不需要标签，你选择的行动（move）越好，得到的反馈越多，所以你能通过执行这些行动看是输是赢来学习下围棋，不需要有人告诉你什么是好的行动什么是坏的行动。
给我影响最深的就是参加混沌大学的线下课，是AI的重量级人物Michael I. Jordan讲的，其中有一段视频是一个模拟的人，利用强化学习的算法，从站不起来到最后能够正常跑步的过程，而且真正实现的代码连100行都不到，一页ppt而已。
总结：
目前用到最多是监督学习和无监督学习，尤其是监督学习，因为应用场景多能给公司创造直接价值，如果找工作可以多关注。
但是强化学习是未来，因为能学习到的能力没有数据限制。

5. 机器学习非监督机器学习算法有哪些

非监督机器学习可以分为以下几类
（1）聚类：K-均值聚类、谱聚类、DBSCAN聚类、模糊聚类、GMM聚类、层次聚类等
（2）降维：PCA、t-SNE、MDS等
（3）其它：PageRank、SOM等
详细介绍可以参考图书：The Elements of Statistical Learning的第14章

6. 机器学习有哪些分类

机器学习可以分成下面几种类别：
监督学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。
监督学习和非监督学习的差别就是训练集目标是否人标注。他们都有训练集 且都有输入和输出
无监督学习与监督学习相比，训练集没有人为标注的结果。常见的无监督学习算法有生成对抗网络、聚类。
半监督学习介于监督学习与无监督学习之间。
增强学习机器为了达成目标，随着环境的变动，而逐步调整其行为，并评估每一个行动之后所到的回馈是正向的或负向的。

7. 机器学习 一 监督学习和无监督学习的区别

1、机器学习按照方法来分类，可以分成四类，分别是：监督学习、无监督学习、半监督学习和强化学习。
2、监督学习针对有标签数据集，它通过学习出一个模型（其实就是一个函数）来拟合数据，按照模型（函数）的输出结果是否离散又可以分为两类，分别是：（1）输出结果为离散值，则为分类问题（常见的分类算法：KNN、贝叶斯分类器、决策树、SVM、神经网络、GBDT、随机森林等）；（2）输出结果为连续值，则为回归问题（有线性回归和逻辑回归两种）。
3、无监督学习针对没有标签的数据集，它将样本按照距离划分成类簇，使得类内相似性最大，类间相似性最小。通过观察聚类结果，我们可以得到数据集的分布情况，为进一步分析提供支撑。常见的聚类算法有K-means、高斯混合模型和LDA。

8. 机器学习 一 监督学习和无监督学习的区别

机器学习任务根据训练样本是否有label，可以分为监督学习和无监督版学习
监督学习的训练样本有label，主要是学权习得到一个特征空间到label的映射，如分类、回归等
无监督学习的训练样本没有label，主要是发现样本的内部结构，如聚类、降维、可视化等

9. 强化学习与其他机器学习方法有什么不同

我们都知道，人工智能是一个十分重要的技术，现在很多的大型科技公司都开始重视人工智能的发展。人工智能的发展不是空穴开风，是因为机器学习使得人工智能有了飞跃的发展。其实机器学习的方法有很多，在这篇文章中我们就重点说一下机器学习中的强化学习。强化学习是机器学习中一个十分重要的方法，那强化学习与其他机器学习方法究竟有什么不同呢？下面我们就给大家解答一下这个问题。
首先我们给大家介绍一下什么是强化学习，其实强化学习又称再励学习、评价学习，是一种重要的机器学习方法，在智能控制机器人及分析预测等领域有许多应用。在传统的机器学习分类中没有提到过强化学习，而在连接主义学习中，把学习算法分为三种类型，即非监督学习、监督学习和强化学习。
那么强化学习与别的算法有什么区别呢？首先我们给大家说一下监督学习和强化学习的区别，在监督学习中，在外部有一个“监督主管”，它拥有所有环境的知识，并且与智能体一起共享这个知识，从而帮助智能体完成任务。但是这样存在一些问题，因为在一个任务中，其中存在如此多的子任务之间的组合，智能体应该执行并且实现目标。所以，创建一个“监督主管”几乎是不切实际的。在这些问题中，从自己的经验中学习，并且获得知识是更加合理可行的。这就是强化学习和监督学习的主要区别。在监督学习和强化学习中，在输入和输出之间都存在映射。但是在强化学习中，存在的是对智能体的奖励反馈函数，而不是像监督学习直接告诉智能体最终的答案。
然后我们给大家说一下无监督学习与强化学习的区别，在强化学习中，有一个从输入到输出的映射过程，但是这个过程在无监督学习中是不存在的。在无监督学习中，主要任务是找到一个最基础的模式，而不是一种映射关系。无监督学习就是根据自己获得的数据去构建一个“知识图谱”，从而去找出相似内容的数据。具体应用就是新闻头条的适配。
其实还有第四种类型的机器学习，成为半监督学习，其本质上是监督学习和无监督学习的组合。它不同于强化学习，类似于监督学习和半监督学习具有直接的参照答案，而强化学习不具有。
关于强化学习与其他机器学习算法的不同我们就给大家介绍到这里了，相信大家对强化学习的知识有了更深的了解了吧？希望这篇文章能够更好的帮助大家理解强化学习。

10. 机器学习的基本任务是什么

就目前而言，大家都听说过人工智能、物联网以及大数据。当然，人工智能的热度最高。可以说，我国当下的人工智能发展是处于领先水平的。现如今，人工智能有很多的应用早已在人们的生活中普及，那么大家是否知道机器学习的基本任务是什么呢？下面我们直接进入正题。
1.机器学习的概念是什么？
对于机器学习的概念，网络上是这么解释的，机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
2.机器学习中的任务
当然，机器学习基于数据，并以此获取新知识、新技能。它的任务有很多，分类是其基本任务之一。分类就是将新数据划分到合适的类别中，一般用于类别型的目标特征，如果目标特征为连续型，则往往采用回归方法。回归是对新目标特征进行预测，是机器学习中使用非常广泛的方法之一。
3.分类和回归
机器学习中的分类和回归，都是先根据标签值或目标值建立模型或规则，然后利用这些带有目标值的数据形成的模型或规则，对新数据进行识别或预测。这两种方法都属于监督学习。与监督学习相对是无监督学习，无监督学习不指定目标值或预先无法知道目标值，它可以将把相似或相近的数据划分到相同的组里，聚类就是解决这一类问题的方法之一。
4.机器学习的算法都有哪些呢？
机器学习除了监督学习、无监督学习这两种最常见的方法外，还有半监督学习、强化学习等方法，这些基本任务间的关系就是机器学习包括监督学习和无监督学习，而监督学习就是基于输入数据及目标值训练预测模型，而具体细分为分类和回归，其中分类就是有决策树、支持向量机、朴素贝叶斯、K-近邻、集成方法等等，而回归则是有线性回归、逻辑回归、集成方法、神经网络知识等等。而非监督学习就是根据输入数据对数据进行分组，其中最具体的方式就是聚类，而涉及到的算法有K-均值算法，高斯混合算法、分层聚类算法等等。
通过这篇文章我们给大家介绍了关于机器学习基本任务的知识，从中我们不难发现机器学习有很多可供运用和发展的东西，我们在学习机器学习的时候一定要好好吸收这些知识的，让自己的基础更加牢固，能够融会贯通。