机器学习——监督学习、非监督学习、强化学习｜学习笔记#1

Table of Contents

机器学习(Machine Learning)

机器学习的基本思路

机器学习分类

监督学习

无监督学习

强化学习

机器学习在实际操作层面一共分为7步：

---

机器学习(Machine Learning)

机器学习不是某种具体的算法，而是很多算法的统称。(© easyai)

机器学习的基本思路

1. 把现实问题抽象成数学问题(数学模型)
2. 利用数学方法对这个数学问题进行求解
3. 评估这个数学数学模型，解决了具体的实际问题

机器学习分类

根据训练方法大致可以分为

1. 监督学习 Supervised Learning
2. 无监督学习 Unsupervised Learning
3. 强化学习 Reinforcement Learning

半监督学习 Semi-supervised Learning 是上面三类的变种，本质无改变

监督学习

是机器学习中的一种训练方式/学习方式

监督学习需要有明确的目标，很清楚自己想要什么结果。(© easyai)

监督学习是指我们给算法一个数据集，并且给定正确答案。机器通过数据来学习正确的计算方法。(© easyai)

监督学习有两个主要的任务

• 回归：预测连续的、具体的数值。预测芝麻信用分
• 分类：对各种事物分门别类，用于离散型预测。预测离婚

无监督学习

是机器学习中的一种训练方式/学习方式

本质上是一个统计手段，在没有标签的数据里可以发现潜在的一些结构的一种训练方式。(© easyai)

无监督学习没有明确目的的训练方式，你无法提前知道结果是什么。

无监督学习不需要给数据打标签。

无监督学习几乎无法量化效果如何。

通过无监督学习，我们可以快速把行为进行分类，虽然我们不知道这些分类意味着什么，但是通过这种分类，可以快速排出正常的用户，更有针对性的对异常行为进行深入分析。(© easyai)

无监督学习使用场景

• 发现异常
• 用户细分
• 推荐系统

无监督学习上两种主流学习方式

• 聚类：一种自动分类的方法，但是你不清楚在聚类操作后得到的分类分别代表什么意思。
  • 通常根据「相似性」将数据分为多类的过程，使用的方法计算两个样本之间的「距离」。
    • 欧式距离
    • 曼哈顿距离
    • 马氏距离
    • 夹角余弦
• 降维：保证数据所具有的代表性特性或者分布的情况下，将高维数据转化为低位数据的过程
  • 数据的可视化
  • 精简数据

强化学习

不需要大量的“数据喂养”，而是通过自己不停的尝试来学会某些技能。

适合用于训练控制算法和游戏AI等场景。

机器学习在实际操作层面一共分为7步：

1. 收集数据
2. 数据准备
3. 选择一个模型
4. 训练
5. 评估
6. 参数调整
7. 预测（开始使用）