上一篇介绍了分类和回归两类任务，这两类任务是按照机器学习可以解决的问题来分类的，下面我按照机器学习在算法上进行分类。

1. 监督学习
2. 非监督学习
3. 半监督学习
4. 增强学习

监督学习

MNIST数据集.PNG

第一行到最后一行都有“标记”（1.2.3...8.9）
监督学习是给定了机器数据的特征，又给定了机器数据正确的“答案”

• 图像已经拥有了标定的信息
• 银行已经积累了一定的客户信息和他们信用卡的信用情况
• 医院已经积累了一定的病人信息和他们最终确诊是否患病情况
• 市场积累了房屋的基本信息和最终成交的金额

监督学习算法：

• k近邻
• 线性回归和多项式回归
• 逻辑回归
• SVM
• 决策树和随机森林

非监督学习

非监督学习.PNG

给机器的训练数据没有任何“标记”或者“答案”

非监督学习的意义

聚类分析.PNG

• 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
  • 特征提取：信用卡的信用评级和人的胖瘦无关？
  • 特征压缩：PCA算法
    • 尽量少的损失信息的情况下将高维降为低维度，提升机器学习的运行效率，但不影响机器学习的准确率

    • 降维处理的意义：方便可视化
      可视化.PNG
      
      

      人类对于高纬度的空间是不可以理解的，有时候把高维数据降低，可以直观的对数据进行理解

    • 异常检测
      异常检测.PNG
      
      

      有一些数据是有异常的，图中的红点是有异常的，这种点不能反应事物的一般性。相应的算法剔除这种异常点

半监督学习

一部分数据有“标记”或者“答案”，另一部分数据没有
更常见：各种原因产生的标记缺失
通常都先使用无监督学习手段对数据做处理，之后使用监督学习手段做模型的训练和预测

增强学习

增强学习.PNG

Agent 算法
reward 奖赏
state 惩罚
action 行动
environment 环境

AlphaGo.PNG

• 无人驾驶

• 机器人（强人工智能机器人）

  
  
  机器人.PNG