机器学习简介

机器学习是个啥

• 机器学习是人工智能的一个分支。我们使用计算机设计一个系统，使它能够根据提供的训练数据按照一定的方式来学习；随着训练次数的增加，该系统可以在性能上不断学习和改进；通过参数优化的学习模型，能够用于预测相关问题的输出。

都有哪些学习方式

• 监督式机器学习
  根据输入特征及其对应的标签来训练模型。监督式机器学习类似于学生通过研究一系列问题及其对应的答案来学习某个主题。在掌握了问题和答案之间的对应关系后，学生便可以回答关于同一主题的新问题（以前从未见过的问题）。

• 非监督式机器学习
  只根据输入特征训练模型，以找出数据集（通常是无标签数据集）中的规律。例如，非监督式机器学习算法可以根据音乐的各种属性将歌曲分为不同的类别。

• 半监督式机器学习
  训练模型时采用的数据中，某些训练样本有标签，而其他样本则无标签。半监督式学习采用的一种技术是推断无标签样本的标签，然后使用推断出的标签进行训练，以创建新模型。如果获得有标签样本需要高昂的成本，而无标签样本则有很多，那么半监督式学习将非常有用。

• 强化式机器学习
  在这种学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻作出调整。比如，机器人控制等。

有点眼熟的关键字

• 模型
  模型是指在对实际问题进行分析和高度抽象基础上建立起来的一组数学表达式(公式)。它是客观事物运行规律和变化发展趋势的反映。

• 特征
  在进行预测时使用的输入变量。

• 标签
  在监督式学习中，标签指样本的“答案”或“结果”部分。有标签数据集中的每个样本都包含一个或多个特征以及一个标签。例如，在垃圾邮件检测数据集中，特征可能包括主题行、发件人以及电子邮件本身，而标签则可能是“垃圾邮件”或“非垃圾邮件”。