机器学习的方法

机器学习（machine learning）是一门多领域交叉学科，涉及了概率论、统计学、算法复杂度等多门学科。专门研究计算机怎样模拟或实现人的学习行为，它能够发现和挖掘数据所包含的潜在价值。机器学习已经成为了人工智能的一个分支，通过自学习算法，发现和挖掘数据潜在的规律，从而对未知的数据进行预测。机器学习已经广泛的运用在了，计算机科学研究、自然语言处理、机器视觉、语音、游戏等。机器学习的方法主要分为三种，监督学习（supervised learging）、无监督学习(unsupervised learning)、强化学习(reinforcement learning)，下面将介绍这三种方法的本质区别以及它们的应用领域。

一、监督学习

上图展示了监督学习训练模型的过程，在监督学习中的训练数据是带类标的。监督学习通过使用有类标的训练数据构建模型，我们可以通过训练得到的模型对未知的数据进行预测。比如，在对手写数字识别所使用的机器学习算法就属于监督学习，在训练模型之前，我们需要先定义那张图片表示的是数字几，以便计算机从数据中提取特征更好的像类标靠近。监督学习可以被分为分类和回归，像上面手写数字的识别就属于监督学习中的分类，像房间的预测就属于回归。