機器學習的主要技術分為以下三個方向：監督學習、無監督學習、強化學習。下面分別來介紹這幾種技術。
-監督學習（supervised learning）
監督學習的問題可以分為兩類：
回歸（regression）
分類（classification）
回歸（regression）
回歸問題中，回歸的目標是給定輸入變數x，並且每乙個輸入的變數x都有對應的值y，我們通過對已知資料的學習，構建乙個**模型，輸入新的資料x，模型輸出其對應的連續的目標值y。
同樣舉之前提到的房價**的例子，下面是一組房子大小和房子**的資料，
房子尺寸/平方公尺
房子**/萬
100120
8092
120143
7587
6060
4350
140167
132147
用散點圖畫出來如下所示：
這些資料在散點圖中顯示像是一條直線，因此我們用曲線來擬合這組資料，圖中紅色線即為擬合的結果。
如果有新輸入的資料x，我們將x代入到這條擬合的曲線公式中，輸出的y即為**的值。通過該擬合曲線，輸出的**值y是連續的值，因此該例子即為回歸問題。
分類（classification）
分類的問題更容易理解，和回歸的問題區別就是，回歸問題輸出的結果是乙個連續的值，比如房價、利潤等，而分類的問題最終輸出的是結論性的值，比如對或錯，是或不是，當然結果可能不止兩種，簡單點說就是通過現有資料的學習，構建模型將輸入資料分為不同類別的問題。
舉個例子，andrew wu的課程裡的例子是腫瘤的分類，即通過腫瘤的大小來**該腫瘤是惡性的還是良性的（當然僅靠大小肯定是不行的，僅為了大家能夠更好的理解）。
假如目前已經有了一批患有腫瘤的病人的資料，其中1代表惡性，0代表良性。
腫瘤大小/厘公尺
是否為惡性10
1212.50
1.9030
5071
91下圖為資料做出的散點圖，紅色表示惡性，藍色為良性。這樣我們就有了訓練資料，通過訓練資料我們可以簡單的判斷如果腫瘤的大小超過6cm，則極有可能是惡性腫瘤。
以上提到的就是監督學習的例子，後面的部落格中會慢慢詳細介紹監督學習中的不同的回歸和分類的方法，現在先有個概念就行，下面開始介紹無監督學習。
-無監督學習（unsupervised learning）
-強化學習（reinforcement learning）
在監督學習和無監督學習中都是給定資料，同時給定資料的特徵值或者僅給定資料，之後對樣本資料進行擬合、分類、聚類等操作。在實際應用中，很難有這些比較規則、有序的樣本資料。比如機械人控制問題，開始階段很難確定讓機械人如何運動，走路，過程中也無法確認機械人前進方向的最優選擇。
前段時間大放異彩的阿爾法狗也是強化學習的產物，下棋的過程中每走一步都要考慮很多步，判定最好的落子方法。
強化學習，簡單說類似於正反饋的學習，通過實際中的結論不斷反饋來強化學習的演算法。類似於我們教育狗狗，如果狗狗在家裡撒尿，我們就懲罰狗狗，讓它罰站，如果狗狗自己跑出去撒尿，我們就獎勵狗狗，給它吃的，久而久之狗狗就知道需要去外面撒尿。
-總結
因此總結下來前面所提到的三中問題，他們的特點為：
監督學習
特點：有特徵、直接反饋、**未來結果
技術：回歸、分類
舉例：房價**、英文翻譯
無監督學習
特點：無特徵、無反饋、尋找隱藏的結構
技術：聚類、降維
舉例：音訊區分、新聞分類
強化學習
特點：決策流程、激勵系統、學習一系列的行動
技術：馬爾可夫決策、動態規劃
舉例：阿爾法狗
機器學習 1 機器學習類別，線性回歸
包括分類，回歸等問題模型。簡單來說，在有監督學習中，所有的資料都會被 打上標籤，基於已知的資料集，進行訓練，然後使用訓練好的模型去 未知的資料集的 結果。包括聚類，關聯規則等問題模型。無監督學習中的資料是沒有標籤的，只能通過一些計算去學習 一些未知的知識。比如聚類演算法中依靠計算距離最近的點，將其分...
機器學習主要術語
什麼是 監督式 機器學習？簡單來說，它的定義如下 下面我們來了解一下機器學習的基本術語。在簡單線性回歸中，標籤是我們要 的事物，即 y 變數。標籤可以是小麥未來的 中顯示的動物品種 音訊剪輯的含義或任何事物。在簡單線性回歸中，特徵是輸入變數，即 x 變數。簡單的機器學習專案可能會使用單個特徵，而比較...
二 機器學習之路 什麼是機器學習
寫在前面 本部落格所寫內容均為本人自學筆記，如有錯誤之處，還請各位大神多多指教，謝謝。tom mitchell在他的 machine learning 書中給出了乙個簡單明瞭的定義 機器學習這門學科所關注的問題是 電腦程式如何隨著經驗積累自動提高效能。說白了就是一套計算機 在實現乙個功能的過程中，不...