学习类型(Types of Learning)
Machine Learning (ML)是一种自动学习，很少或没有人为干预。 它涉及编程计算机，以便他们从可用的输入中学习。 机器学习的主要目的是探索和构建可以从先前数据中学习并对新输入数据进行预测的算法。
学习算法的input是训练数据，表示经验， output是任何专业知识，通常采用可执行任务的另一算法的形式。 机器学习系统的输入数据可以是数字，文本，音频，视觉或多媒体。 系统的相应输出数据可以是浮点数，例如，火箭的速度，表示类别或类别的整数，例如来自图像识别的鸽子或向日葵。
在本章中，我们将了解我们的程序将访问的培训数据，以及如何自动学习过程以及如何评估此类机器学习算法的成功和性能。
学习的概念
学习是将经验转化为专业知识或知识的过程。
根据学习数据的性质和学习者与环境之间的相互作用，学习可以大致分为三类，如下所述。
- 监督学习
- 无监督学习
- 半监督学习
同样，有四类机器学习算法，如下所示 -
- 监督学习算法
- 无监督学习算法
- 半监督学习算法
- 强化学习算法
然而，最常用的是supervised和unsupervised learning 。
监督学习
监督学习通常用于现实世界的应用，例如面部和语音识别，产品或电影推荐以及销售预测。 监督学习可以进一步分为两种类型 - Regression和Classification 。
Regression训练并预测连续值响应，例如预测房地产价格。
Classification试图找到合适的类别标签，例如分析正面/负面情绪，男性和女性，良性和恶性肿瘤，安全和不安全的贷款等。
在监督学习中，学习数据带有描述，标签，目标或期望的输出，目标是找到将输入映射到输出的一般规则。 这种学习数据称为labeled data 。 然后，学习的规则用于标记具有未知输出的新数据。
监督学习涉及建立基于labeled samples的机器学习模型。 例如，如果我们构建一个系统来根据各种特征（如大小，位置等）估算土地或房屋的价格，我们首先需要创建一个数据库并对其进行标记。 我们需要教授算法哪些特征对应于什么价格。 基于该数据，该算法将学习如何使用输入特征的值来计算房地产的价格。
监督学习涉及从可用的训练数据中学习功能。 这里，学习算法分析训练数据并产生可用于映射新示例的派生函数。 有许多supervised learning algorithms ，如Logistic回归，神经网络，支持向量机（SVM）和朴素贝叶斯分类器。
监督学习的常见examples包括将电子邮件分类为垃圾邮件和非垃圾邮件类别，基于其内容标记网页以及语音识别。
无监督学习
无监督学习用于检测异常，异常值，例如欺诈或有缺陷的设备，或用于对销售活动具有类似行为的客户进行分组。 这与监督学习相反。 这里没有标记数据。
当学习数据仅包含一些没有任何描述或标签的指示时，编码器或算法可以找到底层数据的结构，发现隐藏的模式，或确定如何描述数据。 这种学习数据称为unlabeled data 。
假设我们有许多数据点，我们希望将它们分成几组。 我们可能不完全知道分类的标准是什么。 因此，无监督学习算法试图以最佳方式将给定数据集分类为特定数量的组。
无监督学习算法是分析数据和识别模式和趋势的极其强大的工具。 它们最常用于将类似输入聚类到逻辑组中。 无监督学习算法包括Kmeans，随机森林，分层聚类等。
Semi-supervised Learning
如果某些学习样本被标记，但其他一些没有标记，则它是半监督学习。 它利用大量unlabeled data for training并使用少量labeled data for testing 。 半监督学习适用于获取完全标记的数据集昂贵而标记小子集更实用的情况。 例如，通常需要熟练的专家来标记某些遥感图像，并且需要大量的现场实验来在特定位置定位油，同时获取未标记的数据相对容易。
强化学习
这里学习数据给出反馈，以便系统调整到动态条件以实现某个目标。 系统根据反馈响应评估其性能并作出相应的反应。 最着名的例子包括自动驾驶汽车和国际象棋大师算法AlphaGo。
机器学习的目的
机器学习可以被视为人工智能或人工智能的一个分支，因为将经验转化为专业知识或检测复杂数据中的模式的能力是人类或动物智能的标志。
作为一门科学领域，机器学习与统计学，信息论，博弈论和优化等其他学科有着共同的概念。
作为信息技术的一个子领域，它的目标是对机器进行编程，以便他们学习。
然而，可以看出，机器学习的目的不是建立智能行为的自动复制，而是利用计算机的力量来补充和补充人类智能。 例如，机器学习程序可以扫描和处理大型数据库，检测超出人类感知范围的模式。
