机器学习算法的分类

1.按学习方式分类

1）监督学习

应用场景：分类、回归、排序

常见算法：分类，Logistic回归/SVM/NN

                  回归，线性回归

                  排序，GBDT

2）非监督学习

应用场景：聚类、降维、关联规则的学习

常见算法：聚类，K-Means

                  降维，PCA(（线性降维）/KPCA（非线性降维）/TCA（迁移成分分析）

                  关联规则学习，Apriori

3）半监督学习

原理：先学习数据的内在结构（未标识数据），再合理组织数据进行预测（标识数据）

应用场景：分类、回归

常见算法：图论推理算法

                  拉普拉斯支持向量机

4）强化学习

原理：输入数据直接反馈到模型，模型必须对此立刻做出调整

应用场景：系统控制领域（如自动驾驶）

常见算法：Q-learning（Q代表Quality）

                  时间差学习

5）迁移学习

原理：举一反三，找到已有知识和新知识的相似性，相似性可以体现在模型、关系、特征、样本等

应用场景：从模拟中学习（如自动驾驶）、适应新领域

常见算法：GAN

2.按学习任务分类

figure source: 冒老师机器学习课程

3.思考

1）如何对待工作中没能用到，并且很可能一直不会用到的算法？如上述中的强化学习算法。

A：具体的学习视是否有兴趣、是否有时间而定；但是最新动态和应用场景一定要追踪，这样才能对这整个机器学习领域有大局观。

2）传统算法的基础要扎实，要补充学习图论、流形学习。