1、有监督学习
1.1 定义
使用带标签的数据训练模型。
有监督学习是机器学习中最常见的一种类型，它利用已知的输入特征和对应的输出标签来训练模型，使模型能够学习到特征与标签之间的映射关系。在训练过程中，模型会不断地调整自身的参数，以最小化预测值与真实标签之间的误差，从而提高预测的准确性。
1.2 回归问题
1.2.1 目标
预测连续值。回归问题的目标是预测一个连续的数值结果，模型的输出是一个实数值。
1.2.2 解释
- 线性回归假设特征与目标变量之间存在线性关系，通过拟合一条直线来预测目标值
- 多项式回归则可以拟合更复杂的非线性关系
1.3 分类问题
1.3.1 目标
预测离散类别。分类问题的目标是将输入数据划分到预定义的离散类别中，模型的输出是类别标签。
1.3.2 解释
分类算法在医疗诊断、垃圾邮件过滤、图像识别等领域发挥着重要作用。常见的分类算法包括逻辑回归、决策树、支持向量机、朴素贝叶斯等。
- 逻辑回归虽然名字中有“回归”，但实际上是一种分类算法，它通过 sigmoid 函数将输入映射到 0 和 1 之间，从而实现分类
- 决策树通过一系列的决策规则将数据划分到不同的类别中，具有可解释性强的优点
2、无监督学习
2.1 定义
处理无标签数据，发现数据模式。
无监督学习不依赖于带标签的数据，而是直接对无标签的数据进行分析，挖掘数据中的隐藏结构和模式。这种方式在数据标注成本高、数据量大且难以获取标签的情况下非常有用。
2.2 聚类
2.2.1 目标
按相似性分组。聚类是无监督学习中的一种常见任务，它将数据点按照相似性划分为不同的簇，同一簇内的数据点具有较高的相似度，而不同簇之间的数据点相似度较低。
2.2.2 解释
根据用户行为将客户分为高价值、普通、流失组。聚类算法在市场细分、客户画像、文档分类等领域有着广泛的应用。常见的聚类算法包括 K-Means、层次聚类、DBSCAN 等。
- K-Means 算法通过迭代的方式将数据点划分为 K 个簇，每个簇由质心表示
- 层次聚类则通过构建树状的层次结构来划分簇，可以发现不同层次的聚类关系
3、半监督学习
3.1 定义
结合少量标签数据和大量无标签数据。
半监督学习介于有监督学习和无监督学习之间，它同时利用了少量的带标签数据和大量的无标签数据来进行模型训练。这种方式在实际应用中非常实用，因为在许多情况下获取大量带标签数据的成本较高，而无标签数据则相对容易获得。
3.2 解释
医疗影像分析中，医生标注少量图像，模型自动标注剩余数据。在医疗领域，医生对影像数据进行标注需要耗费大量的时间和精力，且专业要求高。通过半监督学习，利用少量医生标注的图像数据和大量未标注的图像数据，模型可以学习到更多的特征和模式，从而提高对未标注数据的标注效率和准确性，为疾病的诊断和治疗提供辅助支持。
4、强化学习
4.1 定义
通过试错学习最大化奖励。
强化学习是一种特殊的机器学习类型，它不依赖于大量的带标签数据，而是通过智能体与环境的交互来学习最优的行为策略。智能体在环境中采取一系列行动，根据环境反馈的奖励信号来评估行动的好坏，并不断调整自己的行为策略，以最大化累计奖励。
4.2 解释
AlphaGo 通过自我对弈学习最优落子策略。AlphaGo 在与自己对弈的过程中，不断尝试不同的落子策略，根据比赛结果获得奖励信号（胜负），逐步优化自己的策略，最终在与人类顶尖棋手的对弈中取得了优异的成绩。强化学习在机器人控制、游戏 AI、自动驾驶等领域有着广泛的应用前景，能够使智能体在复杂的动态环境中自主学习和决策。
微语录：抱怨是一件最没意义的事情。如果实在难以忍受周围的环境，那就暗自努力练好本领，然后跳出那个圈子。
