笔者邀请您，先思考：
1 机器学习有哪些类型？如何理解？
有监督的和无监督的主要是由许多机器学习工程师和数据极客使用。
强化学习对于解决问题非常强大且复杂。
有监督学习
从上期文章我们知道，机器学习以数据为输入，我们称这个数据为训练数据。
训练数据包括输入和标签(目标)。
什么是输入和标签(目标)?例如，两个数字相加a=5,b=6结果=11，输入为5,6，目标为11。
我们首先用大量的训练数据(输入和目标)来训练模型。 然后利用新数据和我们之间获得的逻辑来预测输出。
(注:我们不能得到准确的6作为答案，我们可以得到接近6的值，基于训练数据和算法)
这个过程被称为监督学习，它非常快速和准确。
回归:这是我们需要预测连续响应值的一类问题(例如:上面我们预测的数字可以从-∞变化到 ∞)
一些示例
- 一个城市的房价是多少?
- 股票的价值是多少?
- 一场板球比赛可以有多少分?
等等，我们可以预测很多事情。
分类:这是一类我们预测类别响应值的问题，数据可以被分成特定的“类”(例如:我们预测一组值中的一个值)。
一些例子是:
- 这封邮件是不是垃圾邮件?
- 今天会下雨吗?
- 这张照片到底是不是一只猫?
基本上，“是/否”类型的问题被称为二元分类。
其他例子包括:
- 这封邮件是垃圾邮件、重要邮件还是促销邮件?
- 这幅画是猫、狗还是老虎?
这种类型称为多类分类。
这是最后一张图片。
这就是监督学习的全部内容。
无监督学习
训练数据不包括目标，所以我们不告诉系统去哪里，系统必须从我们给出的数据中了解自己。
这里的训练数据不是结构化的(包含噪声数据、未知数据等)。
例如：来自不同页面的随机文章
无监督学习也有不同的类型，比如聚类和异常检测(聚类非常有名)。
聚类:这是一种把相似的东西聚在一起的问题。 有点类似于多类分类，但这里我们不提供标签，系统从数据本身理解和聚类数据。
一些例子是：
- 给定新闻文章，将其聚合成不同类型的新闻
- 给定一组tweets，根据tweets的内容进行聚类
- 给定一组图像，将它们聚成不同的对象
无监督学习是一种较难实现的学习方法，其应用范围不及有监督学习。
我想在另一篇文章中介绍强化学习，因为它很激烈。 所以
这就是这个文章的全部内容，希望你能有所了解。
在下一篇文章中，我想谈谈第一个机器学习算法线性回归与梯度下降。
拜拜！
