机器学习：都有哪些详细分类？项目的流程是怎样？-人工智能-知优网

机器学习、人工智能应该是近几年最火的关键词之一了。今天分享一些机器学习的基础知识。如果有啥不正确的地方，欢迎各位大佬指正。

机器学习、人工智能应该是近几年最火的关键词之一了。今日共享一些机器学习的根底常识。如果有啥不正确的当地，欢迎各位大佬纠正。

在说机器学习之前先清晰一下，什么是人类的学习行为呢?

能够这样总结，人类从历史经验中获取规则，并将其使用到新的类似场景中，便是人类的学习行为。

相对应的，机器学习是指让机器去练习、去学习，让机器从很多数据中找到数据中的内涵特征，然后对新事物做出判别。

机器学习有哪些类别呢?依照不同的分类方法，有不同的细分类别。梳理了一下，首要有以下的概略图：

(1)依照学习方针分类

什么是机器学习方针呢?浅显来讲，便是咱们想经过机器学习，终究完成的成果形状是什么样。

依照学习方针，首要能够分为三类：回归问题、分类问题、排序问题。

(2)依照练习数据的特性分类

上文提到了，进行机器学习是需求练习数据为根底的(否则机器无法学习呀)。依照练习数据的特性，首要分为以下两类：

有监督学习：经过已有的练习样本去练习得到一个最优模型，再利用这个模型将一切的输入映射为相应的输出，对输出进行简略的判别然后完成猜测和分类的意图，也就具有了对不知道数据进行猜测和分类的才能。有监督算法常见的有：线性回归算法、BP神经网络算法、决议计划树、支撑向量机、KNN等。
无监督学习：练习样本的符号信息不知道，方针是经过对无符号练习样本的学习来提醒数据的内涵性质及规则，为进一步的数据剖析供给根底，此类学习使命中研讨最多、使用最广的是"聚类"，聚类意图在于把类似的东西聚在一起，首要经过核算样本间和集体间间隔得到。深度学习和PCA都归于无监督学习的领域。无监督算法常见的有：密度估量、反常检测、层次聚类、EM算法、K-Means算法、DBSCAN算法等。

(3)依照模型的杂乱程度分类

依照模型的杂乱度，首要分为两类：线性模型和非线性模型。

(4)依照模型功用分类

依照模型的功用来分类，首要分为判别模型与生成模型。

判别模型：由数据直接学习决议计划函数f(x)或条件概率散布P(y|x)进行猜测的模型，其关怀的是对给定的输入x,应该猜测什么样的输出y。常见的k近邻法、感知机、决议计划树、逻辑回归、线性回归、最大熵模型。
生成模型：由数据学习输入和输出联合概率散布P(x,y)，然后求出后验概率散布P(y|x)进行猜测的模型。常见的生成模型朴素贝叶斯、隐马尔可夫(em算法)。