由于简书不支持目录结构。文章备份了一份在gitbook，结构更清晰，地址：https://book.markgao.me/

---

有关数据的一些术语

数据1 数据2 数据3 数据4

机器学习中监督学习的基本任务

• 分类任务

将给定的数据进行分类，比如区分猫和狗

• 二分类任务

  • 判断邮件是垃圾邮件；不是垃圾邮件
  • 判断发放给客户信用卡有风险；没有风险
  • 判断病患良性肿瘤；恶性肿瘤
  • 判断某支股票涨；跌

• 多分类任务

  • 数字识别
  • 图像识别
  • 判断发放给客户信用卡的风险评级

---

• 一些算法只支持完成二分类的任务
• 但是多分类的任务可以转换成二分类的任务
• 有一些算法天然可以完成多分类任务

---

• 回归任务

结果是一个连续数字的值，而非一个类别

• 房屋价格
• 市场分析
• 学生成绩
• 股票价格

---

• 有一些算法只能解决回归问题
• 有一些算法只能解决分类问题
• 有一些算法既能解决回归问题，也能解决分类问题
• 一些情况下，回归任务可以简化成分类任务，比如学生的具体成绩预测转换成评级，无人车驾驶，转换成油门，刹车，方向盘的程度

---

• 监督学习

给机器的训练数据拥有“标记”或者“答案”，人类已经给机器对数据进行了正确答案的划分，这个答案的划分本身就是监督的信息

• 图像已经拥有了标记信息
• 银行已经积累了一定的客户信息和他们信息卡的信用情况
• 医院已经积累了一定的病人信息和他们最终确诊是否患病的情况
• 市场积累了房屋的基本信息和最终成交的金额

• 非监督学习

给机器的训练数据没有任何的“答案”和“标记”
对没有“标记”的数据进行分类-聚类分析
对数据进行降维处理

• 特征提取：信用卡的信用评级和人的胖瘦无关
• 特征压缩：PCA
• 方便可视化

异常检测

异常检测

半监督学习

一部分数据有“标记”或者“答案”，另一部分数据没有
更常见：各种原因产生的标记缺失

增强学习

根据周围环境的情况，采取行动，根据采取行动的结果，学习行动方式

• 无人驾驶

• 机器人

  
  增强学习
  

  监督学习和半监督学习是基础