机器学习---监督学习和非监督学习

根据训练期间接受的监督数量和监督类型，可以将机器学习分为以下四种类型：监督学习、非监督学习、半监督学习和强化学习。

监督学习

 在监督学习中，提供给算法的包含所需解决方案的训练数据，成为标签或标记。

 简单地说，就是监督学习是包含自变量和因变量（有Y），同时可以用于分类和回归。

常见算法：

• K近邻算法
• 线性回归
• logistic回归
• 支持向量机（SVM）
• 决策树和随机森林
• 神经网络

无监督学习 

 无监督学习的训练数据都是未经标记的，算法会在没有指导的情况下自动学习。

  简单地说，就是训练数据只有自变量没有因变量（就是没有Y）。

 常见算法：

• 聚类算法
  • K均值算法（K-means）
  • 基于密度的聚类方法(DBSCAN)
  • 最大期望算法
• 可视化和降维
  • 主成分分析
  • 核主成分分析
• 关联规则学习
  • Apriori
  • Eclat

半监督学习 

有些算法可以处理部分标记的训练数据，通常是大量未标记的数据和少量标记的数据，这种成为半监督学习。

如照片识别就是很好的例子。在线相册可以指定识别同一个人的照片（无监督学习），当你把这些同一个人增加一个标签的后，新的有同一个人的照片就自动帮你加上标签了。

 大多数半监督学习算法都是无监督和监督算法的结合。例如深度信念网络（DBN）基于一种相互堆叠的无监督式组件。

强化学习

 强化学习是一个非常与众不同的算法，它的学习系统能够观测环境，做出选择，执行操作并获得回报，或者是以负面回报的形式获得惩罚。它必须自行学习什么是最好的策略，从而随着时间推移获得最大的回报。

 例如，许多机器人通过强化学习算法来学习如何行走。AlphaGo项目也是一个强化学习的好例子。