機器學習的分類

1、監督學習：表示機器學習的資料是帶標記的，這些標記可以包括資料類別、資料屬性及特徵點位置等。這些標記作為預期效果，不斷修正機器的預測結果。具體實現過程是：通過大量帶有標記的資料來訓練機器，機器將預測結果與期望結果進行比對；之後根據比對結果來修改模型中的引數，再一次輸出預測結果；然後將預測結果與期望結果進行比對，重複多次直至收斂，最終生成具有一定魯棒性的模型來達到智慧決策的能力。

常見的監督學習有分類和迴歸：分類（Classification）是將一些例項資料分到合適的類別中，它的預測結果是離散的。迴歸（Regression）是將資料歸到一條“線”上，即為離散資料生產擬合曲線，因此其預測結果是連續的。

2、無監督學習：表示機器學習的資料是沒有標記的。機器從無標記的資料中探索並推斷出潛在的聯絡。常見的無監督學習有聚類和降維。在聚類（Clustering）工作中，由於事先不知道資料類別，因此只能通過分析資料樣本在特徵空間中的分佈，例如基於密度或基於統計學概率模型等，從而將不同資料分開，把相似資料聚為一類。降維（Dimensionality Reduction）是將資料的維度降低。例如描述一個西瓜，若只考慮外皮顏色、根蒂、敲聲、紋理、大小及含糖率這6個屬性，則這6個屬性代表了西瓜資料的維度為6。進一步考慮降維的工作，由於資料本身具有龐大的數量和各種屬性特徵，若對全部資料資訊進行分析，將會增加訓練的負擔和儲存空間。因此可以通過主成分分析等其他方法，考慮主要影響因素，捨棄次要因素，從而平衡準確度與效率。

3、強化學習：是帶有激勵機制的，具體來說，如果機器行動正確，將施予一定的“正激勵”；如果行動錯誤，同樣會給出一個懲罰（也可稱為“負激勵”）。因此在這種情況下，機器將會考慮如何在一個環境中行動才能達到激勵的最大化，具有一定的動態規劃思想。

4、深度學習：深度學習是新興的機器學習研究領域，旨在研究如何從資料中自動地提取多層特徵表示，其核心思想是通過資料驅動的方式，採用一系列的非線性變換，從原始資料中提取由低層到高層、由具體到抽象、由一般到特定語義的特徵。深度學習不僅改變著傳統的機器學習方法，也影響著人類感知的理解，迄今已在語音識別、影象理解、自然語言處理和視訊推薦等應用領域引發了突破性的變革。