机器学习-深度学习-强化学习

仅供学习使用

• 机器学习的核心，从数据中自动学出规律。
• 深度学习是一个框架，受到了人工神经网络的启发。

深度学习模型：
更加强大的表达能力、具备层次表示能力、全局的泛化能力、迁移学习能力

---

机器学习领域的两个大类：

• 有监督学习
  D=(X,y)
  学习X->y的学习关系
  数据既有特征，又有标签。
  学习映射关系。
  线性映射关系、非线性映射关系。
  svm
• 无监督学习
  D=(X)
  寻找X中的特征或者规律
  营销领域，给用户分类。个性化营销
  聚类k-means
• 强化学习
  AlphaGo

常见的机器学习算法

• 监督学习
  线性回归、逻辑回归（分类问题）、朴素贝叶斯、决策树、随机森林、SVM、神经网络
• 无监督学习
  PCA、K-means、GMM、LDA

矩阵分解、xgboost

• 区别：
  回归问题：输出数连续数值，例如：股价、温度、身高、气温

分类问题：输出是类别，例如：阴晴、好坏。图像识别、文本分类。类别之间没有大小关系

• 区别概念：
  特征、标签、样本
  标量、向量、矩阵、张量

• 机器学习建模流程：

1. 数据源
2. 数据预处理：去噪、填补空白、数据对齐
3. 特征工程：Feature Engine
4. 建模
5. 验证

• 端到端的方法：跳过特征工程，直接用数据预处理到建模

强化学习

一种学习策略，和遗传算法同范畴吧。（个人理解）