机器学习基础概念

一、监督学习与无监督学习

监督学习：

•    X为图像或者其他对象，y为图像的类别或者其他标签   
• 目的：学习X到y的映射关系。当给出一个X，是否可以找到一个函数映射关系得到 y标签

无监督学习：

•   无标签
• 目的：学习X中的特征或者规律。有大量样本，但样本没有标签，我们就需要找到样本存在的规律进行分类等其他任务，最经典的算法就是k-meaus 聚类算法

• 答案是第二个
• 机器学习最终目的是让机器可以参与决策，得出结论，而第二个安检时机器为工作人员提供可视化环境，辅助工作人员决策，机器并没有参与决策。

二、回归与分类 

• 简要来说，回归就是预测问题，分类就是对对象按照要求特征或者其他进行分类。回归与分类同属于监督学习
• 回归问题输出是连续性数值，比如温度，身高
• 分类问题输出是类别性特征，比如天气的阴晴，图像的类别等等

• 答案为第二个
• 能不能考上清华就两种，考上和考不上，属于分类问题，其他选项输出的都是一个具体数值，只要牢记他们的区别，就很容易辨别他们

三、特征和标签、样本 

举例说明：

苹果：圆的，红的

香蕉：弯的，黄的

• 从上面可以得出，样本有两个，苹果是一个，香蕉也是一个。
• 比如我们预测某一物体是香蕉还是苹果，那么圆的、红的、弯的、黄的就是特征，而苹果和香蕉就是其对应 的 标签

四、常见的监督学习和无监督学习算法 

监督学习：（有些算法网上有大量资源，在这里就不详细写了）

• 线性回归：最经典回归算法，比如预测明天天气
• 逻辑回归：不是回归算法，是一种分类问题，建立在线性回归基础上
• 朴素贝叶斯：适合文本分类
• 决策树
• 随机森林
• SVM：支持向量机，神经网络之前的王者
• 神经网络

无监督学习

• PCA :经典降维算法
• K-means：经典聚类算法
• GMM
• LDA

本文撰写是自己看的课程所作的一些相关笔记，同时借鉴了相关图片，感谢李文哲大大

https://www.zhihu.com/people/wenzhe-li/activities