机器学习的方法分类

机器学习的方法分类 Machine Learning Modes  
    虽然机器学习方法通常可以分为三种类型：       1.监督学习（Supervised Learning）：给学习算法提供的训练数据是有标记的，对于每一个输入，学习者都被提供了一个回应的目标。监督学习主要被应用于快速高效地教会人工智能掌握现有的知识。常见的算法有决策树、Adaboost算法、人工神经网络算法、SVM(即支持向量机)算法、朴素贝叶斯、K-近邻、逻辑回归、随机森林算法。       2.无监督学习（Unsupervised Learning）：给学习算法提供的训练数据是未标记的，并且要求算法识别输入数据中的模式，它先建立一个模型，再用其试着对输入的数据进行解释，并用于下次输入。在现实世界中,大部分数据是不带标签的, 所以无监督学习要比监督学习应用更广泛。常见的算法分为两大类：聚类算法和降维算法。最有代表性的算法有K-MEANS算法和主成分分析算法（PCA算法）。       3.强化学习（Reinforcement Learning）：是一种在线的、无导师机器学习方法，该方法与动态环境相互作用，把环境的反馈作为输入，通过学习选择能达到其目标的最优动作。强化学习这一方法背后的数学原理与监督/非监督学习略有差异。监督/非监督学习更多地应用了统计学，而强化学习更多地结合了离散数学、随机过程这些数学方法。常见的算法有：TD(λ)算法、Q_learning算法、Sarsa算法。       深度学习：机器学习的更高智能进阶       利用机器学习，人工智能系统获得了归纳推理和决策能力；但深度学习更将这一能力推向了更高的层次。深度学习是机器学习研究领域的分支，隶属于神经网络体系。深度学习通过建立、模拟人脑的信息处理神经结构来实现对外部输入的数据进行从低级到高级的特征提取，从而能够使机器理解学习数据，获得信息，因具有多个隐藏层的神经网络又被称为深度神经网络。深度学习将数据输入系统后，通过建模及模拟人脑的神经网从而进行学习的技术，像生物神经元一样，神经网络系统中有系列分层排列的模拟神经元（信息传递的连接点），且经过每个神经元的响应函数都会分配一个相应的“权值”，表示彼此之间的连接强度。通过每层神经元相互“连接”，计算机就可以由达到最佳方案时所有神经元的加权和，从而可以实现这一决策方案。       目前，在深度学习中，卷积神经网络（Convolutional Neural Network,简称CNN）作为最有效的深层神经网络已经被越来越多地应用到许多智能领域之中，并且它们越来越像人类了，例如Google、Siri和FaceBook等都应用了卷积神经网络。在中国目前非常关注的智能制造领域中，制造机器人是深度学习的经典案例，深度学习的机器人能够自动适应外部环境的变化，面对新型任务时可以自动重新调整算法和技术。