机器学习

Machine Learning

不显式编程地赋予计算机能力，通过计算的手段，利用经验改善系统性能。算法

是人工智能的一个分支，它使计算机系统能够从数据中学习并做出决策或预测，而无需明确编程。

机器学习基础

机器学习一般步骤：数据搜集 --> 数据清洗 --> 特征工程 --> 数据建模
数据决定一切：成功的机器学习应用不是拥有最好的算法，而是拥有最多的数据。（各种不同算法在输入的数据量达到一定级数后，都有相近的高准确度。）

监督学习

Supervised Learning) 算法从标记的训练数据中学习，并预测新数据的输出。( 老师讲课, 跟着学
训练集有标签，我们的目标是找到能够区分正样本和负样本的决策边界, 需要据此拟合一个假设函数
回归 Regression 标签连续：线性回归、KNN、决策树
分类 Classification 标签离散：逻辑回归、朴素贝叶斯分类、KNN、决策树、支持向量机
集成学习：集成学习

无监督学习

Unsupervised Learning Training examples as input patterns, with no associated output
数据没有附带任何标签，算法从未标记的数据中学习，发现数据中的结构和模式。（自己学习，总结分类考察哪些知识点）
聚类降维关联规则推荐系统

强化学习

Reinforcement Learning 算法通过与环境的交互来学习最佳行为策略，以获得最大的累积奖励。 Learning from interaction with an environment 通过刷题学习，直接做题，根据打分来修改答案，与外界环境交互的反馈学习

参考资料