[[420892]]

 我們可以根據(jù)算法執(zhí)行學習的方式將它們分為以下不同類別：

•  有監(jiān)督學習
•  無監(jiān)督學習
•  半監(jiān)督學習
•  強化學習

01 有監(jiān)督學習

有監(jiān)督學習是目前商業(yè)過程中最常見的機器學習形式。這些算法試圖找到映射輸入和輸出的函數(shù)的一個很好的近似。

為此，顧名思義，我們需要自己為算法提供輸入值和輸出值，并且嘗試找到一個能夠使預測值和實際輸出值之間誤差最小的函數(shù)。

學習階段稱為訓練（training）。模型經(jīng)過訓練后，可以針對未見過的數(shù)據(jù)預測輸出。此階段通常被視為評分或預測，如圖1-1所示。

▲圖 1-1

02 無監(jiān)督學習

無監(jiān)督學習適用于未標記的數(shù)據(jù)，因此我們不需要實際的輸出值，僅需要輸入。它嘗試在數(shù)據(jù)中查找模式并根據(jù)這些共同屬性做出反應，將輸入劃分為多個不同聚類（如圖1-2所示）。

▲圖 1-2

通常，無監(jiān)督學習通常與有監(jiān)督學習結合使用，以減少輸入空間并將數(shù)據(jù)中的信號集中在較少數(shù)量的變量上，但無監(jiān)督學習還有其他目標。從這個角度來看，當標記數(shù)據(jù)很昂貴或不太可靠時，無監(jiān)督學習比有監(jiān)督學習更適用。

常見的無監(jiān)督學習技術有聚類（clustering）和主成分分析（Principal Component Analysis，PCA）、獨立成分分析（Independent Component Analysis，ICA），以及一些神經(jīng)網(wǎng)絡，例如生成對抗網(wǎng)絡（Generative Adversarial Network，GAN）和自編碼器（Autoencoder，AE）。

03 半監(jiān)督學習

半監(jiān)督學習是介于有監(jiān)督學習和無監(jiān)督學習之間的一種技術。它可以說不屬于機器學習中一個單獨的類別，而只是有監(jiān)督學習的一種泛化，但在這將其單獨列出是有用的。

其目的是通過將一些有標記的數(shù)據(jù)擴展到類似的未標記數(shù)據(jù)，從而降低收集標記數(shù)據(jù)的成本。我們把一些生成模型分類為半監(jiān)督學習。

半監(jiān)督學習可以分為直推學習和歸納學習。直推學習適用于推斷未標記數(shù)據(jù)的標簽，歸納學習適用于推斷從輸入到輸出的正確映射。

我們可以看到此過程與我們在學校學習的大多數(shù)過程相似。老師向學生展示一些例子，并讓學生回家完成作業(yè)。為了完成這些作業(yè)，他們需要進行泛化。

04 強化學習

強化學習（RL）是我們目前所見的最獨特的類別。這個概念非常有趣：該算法試圖找出一個策略來最大化獎勵總和。

該策略由使用它在環(huán)境中執(zhí)行動作的智能體來學習。然后，環(huán)境返回反饋，智能體使用該反饋來改進其策略。反饋是對所執(zhí)行動作的獎勵，可以是正數(shù)、空值或負數(shù)，如圖1-3所示。

▲圖 1-3