机器学习：监督学习、非监督学习、强化学习

监督学习：回归、分类

监督学习：

• 目标是生成一个模型，能够将任何输入特征映射到标签，即预测。举一个具体的例子。 假设我们需要预测患者是否会心脏病发作，那么观察结果“心脏病发作”或“心脏病没有发作”将是我们的标签。 输入特征可能是生命体征，如心率、舒张压和收缩压。

 回归：

• 回归（regression）是最简单的监督学习任务之一。 比方说，假设我们有一组房屋销售数据表格，其中每行对应于每个房子，每列对应于一些相关的属性，例如房屋的面积、卧室的数量、浴室的数量以及到镇中心的步行分钟数等等。 对机器学习来说，每个样本即为一个特定的房屋，相应的特征向量将是表中的一行。 家中的（平方英尺、卧室数量、浴室数量、步行距离）特征向量可能类似于：[600,1,1,60][600,1,1,60]。 然而，如果你住在匹兹堡，这个特征向量可能看起来更像[3000,4,3,10][3000,4,3,10]…… 为什么这个任务可以归类于回归问题呢？本质上是输出决定的。 假设你在市场上寻找新房子，你可能需要估计一栋房子的公平市场价值。 销售价格，即标签，是一个数值。 当标签取任意数值时，我们称之为回归问题。 我们的目标是生成一个模型，它的预测非常接近实际标签值。
• 生活中的许多问题都可归类于回归问题。 比如，预测用户对一部电影的评分可以被认为是一个回归问题。因为评分是一个数值，标签（即输出）是数值时，为回归问题。再比如，预测病人在医院的住院时间也是一个回归问题。 总而言之，判断回归问题的一个很好的经验法则是，任何有关“多少”的问题很可能就是回归问题。比如：这个手术需要多少小时？在未来六小时，这个镇会有多少降雨量？

  ---

  分类：

• 虽然回归模型可以很好地解决“有多少？”的问题，但是很多问题并非如此。 例如，一家银行希望在其移动应用程序中添加支票扫描功能。 具体地说，这款应用程序需要能够自动理解照片图像中看到的文本，并将手写字符映射到已知字符之一（这个类就是几万种了，有一万个汉字就是一万个类）。 这种“哪一个？”的问题叫做分类（classification）问题。 在分类问题中，我们希望模型能够预测样本属于哪个类别（category，正式称为类（class））。 例如，对于手写数字，我们可能有10类，分别数字0到9。 最简单的分类问题是只有两类，我们称之为“二元分类”。 例如，数据集可能由动物图像组成，标签可能是{猫,狗}两类{猫,狗}两类。 在回归中，我们训练一个回归函数来输出一个数值； 而在分类中，我们训练一个分类器，它的输出即为预测的类别。

  ---

  无监督学习：

• 到目前为止，所有的例子都与监督学习有关，即我们向模型提供巨大数据集：每个样本包含特征和相应标签值。
• 相反，如果你的工作没有十分具体的目标，你就需要“自发”地去学习了。 如你的老板可能会给你一大堆数据，然后让你用它做一些数据科学研究，却没有对结果要求。我们称这类数据中不含有“目标”的机器学习问题为无监督学习（unsupervised learning）。那么无监督学习可以回答什么样的问题呢？我们来看看下面的例子：
• 因果关系（causality）和概率图模型（probabilistic graphical models）问题：我们能否描述观察到的许多数据的根本原因？例如，如果我们有关于房价、污染、犯罪、地理位置、教育和工资的人口统计数据，我们能否简单地根据经验数据发现它们之间的关系？
• 聚类（clustering）问题：没有标签的情况下，我们是否能给数据分类呢？比如，给定一组照片，我们能把它们分成风景照片、狗、婴儿、猫和山峰的照片吗？同样，给定一组用户的网页浏览记录，我们能否将具有相似行为的用户聚类吗？（因为拍的照片是随机的，今天突然拍山峰，拍了十来张，是否会自动生成山峰的分类？）
• 主成分分析（principal component analysis）问题：裁缝们已经开发出了一小部分参数，这些参数相当准确地描述了人体的形状，以适应衣服的需要。
• 生成对抗性网络（generative adversarial networks）：为我们提供一种合成数据的方法，甚至像图像和音频这样复杂的结构化数据。潜在的统计机制是检查真实和虚假数据是否相同的测试，它是无监督学习的另一个重要而令人兴奋的领域。

  ---

  强化学习：