监督学习

给机器训练的数据集是拥有”标记“或者”答案的“

非监督学习

给机器的训练的数据没有任何“标记”或者“答案”
对没有标记的数据进行分类--聚类分析
对数据进行降维处理，方便进行数据的可视化
特征提取：特征压缩
异常数据的检测

半监督学习

一部分数据有标记或者答案，另外一部分数据没有标记
使用无监督的手段进行数据处理，在利用监督学习的方式进行学习

增强学习

增强学习.png

在线学习 oline Learning

在线学习.png

有点：及时反映新的环境的变化
问题：新的数据带来不好的变化？
解决方案：需要加强对数据的监控（非监督学习对异常数据的监控）
其他：也适用于数据量巨大，完全无法用批量学习的环境

批量学习（离线学习） Batch Learning

离线学习.png

优点：简单
问题：如何适应环境的变化？
缺点：每次需要重新批量学习，运算量比较大，在某些环境变化非常快的情况下，甚至不可能的

离线学习.JPG

参数学习

假设 两种因素之间的关系 f(x) = ax+b 试图通过数据获取最优的a,b；一旦学习到了参数，就不再需要原有的数据集

非参数学习

不对模型进行过多的学习
非参数不等于没有参数！依然需要参数参与