机器学习心得（一）

从考完研后，开始学习机器学习。

 之前接触过有关图像这方面的知识，加上最近做考研阅读做的比较多，对英文阅读可以说的上是很亲切吧。慢慢地，对于国外的教学方式，无论是语言还是教学模式都是那么的容易接受。于是看着Stanford的Andrew Ng的视频边学编领悟。现在将自己的见解总结一下。

         机器学习算法的现研究的学习方式和学习模型主要有以下几种：

监督学习：输入数据为训练数据；（它们有具体的意义，如房屋的面积等）

   模型的参数确定需要通过一个训练的过程才能得到，然而，在这个有限的数据样本中，当通过这个预测模型对未出现的数据做出预测。若预测不符，则需要做出修改；

无监督学习：输入数据不带有任何具体的意义或者输入并不能得出具体的结果，即为不确定值；

                      然而通过预测，我们可以通过输入数据中存在的结构来建立模型。这种类型的运用如有关联规则的学习和聚类，算法有K-means算法；

半监督学习：输入数据由带有具体意义和不带有具体意义的组成。其中，虽然合适的预测模型已经存在，但是模型在预测时必须还能通过发现潜在的结构来组织或对数据进行分类，这类问题包括分类和回归。这些模型都对如何给未标记数据建模做出一些假设；

强化学习：输入数据作为来自环境的激励给出模型，且模型必须作出反应。反馈并不像监督学习那样来自训练的过程，而是作为环境的惩罚或奖赏。典型的问题如系统和机器人控制。

当处理大量数据来商业决策建模时，通常会使用监督和无监督学习。