目录

1.什么是机器学习

从一颗瓜说起

积累经验

利用经验

新的决策

2.分类和回归问题

特性	分类问题	回归问题
输出类型	离散数据	连续数据
目的	寻找决策边界	找到最优拟合

二元分类

线性回归

多项式回归

聚类问题

注意：聚类问题中训练过程没有给定label

监督学习

监督学习是从给定的训练数据集中“学习”出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求包括输入和输出，即特征和目标。训练集中的目标是由人类事先进行标注的。

主要用途：分类问题和回归问题

常见算法：决策树与随机森林、逻辑回归、
神经网络、朴素贝叶斯、Logistic回归等

非监督学习

在非监督学习的过程中，只提供事物的属性，但不提供事物的标签，让学习者自己总结归纳。所以非监督学习又称为归纳性学习，是指将数据集合分成由类似的对象组成的多个簇（或组）的过程。以达到同组内的事物特征非常接近，不同组的事物特征相距很远的结果。

主要用途：聚类问题

常见算法：k-means、Apriori、FP-Growth

半监督学习

强化学习

强化学习是学习一个最优策略(policy)，可以让本体(agent)在特定环境(environment)中，根据当前的状态(state)，做出行动(action)，从而获得最大回报(reward)。