title: 机器学习整体框架
date: 20200826-17:43
updated:
tags: 机器学习
categories: 人工智能
keywords: 机器学习
description: 一篇关于机器学习分类和大体框架的文章
top _img: https://ftp.bmp.ovh/imgs/2020/08/e074e2e507e65169.jpg
comments：
cover:
toc:
toc_ number:
auto open:
copyright:
copyright author:
copyright author href:
copyright url:
copyright info:
mathjax:
katex :
aplayer：
highlight _shrink：
机器学习的分类
当前机器学习的主要分类可以分为有监督学习，无监督学习以及强化学习。有监督学习和无监督学习，其中最大的区别就是是否有标签，这个标签可以是人工标注的，也可以使机器辅助标注的，也就是能否有一个确定的标准答案让机器知道，分类或者是预测是否为正确的。
有监督学习的分类
其中有监督学习，可以再分为分类以及回归问题分类问题重点解决的就是，分类问题，重点解决的就是一些有标签的问题，可以对于一些种类进行一个分类，比如说猫狗分类以及不同品种的花进行分类。而回归问题其实就是进行一个预测，他并不是将目标任务目标任务分为，可数的有穷的类别，不连续的内衣，而是进行一个结果的预测，比如说2000和2000.1，之间的差别就不大，而分类问题，将目标识别为猫和狗的差别就会非常大。
无监督学习的分类
其中无监督学习的主要任务是聚类。我们事先并不知道一些东西的标签，我们也不知道有哪些类别，机器根据这些目标的相似度来进行一个聚类，比如说可以在看音乐平台上都有哪类用户，或者社交平台上用户的画像。
关于强化学习
强化学习是当今非常热门的一个研究方向，因为强化学习的本质就是基于现实在环境中获得反馈，从而不断改善学习情况，这其实就和我们人类学习上面有非常大的相似度，我们也是通过接受外界的反馈来获得做对了或者做错的反馈，来一次获得奖励或惩罚，从而进一步强化自己正确的行为或者改正自己错误的行为。像AlphaGo下围棋，还有自动驾驶技术，其实就运用了强化学习的方法。