根据演习方法的不同，机器学习可分为：监督学习，无监督学习，半监督学习，强化学习。

在这里我们讲2种机器学习的常用方法：监督学习，无监督学习。

监督学习是从标记的演习数据来推断一个功能的机器学习任务，可分为“回归”和“分类”问题。

定量输出称为回归，定性输出称为分类，比如根据房屋的地理位置，房屋面历年夜小，以及房屋周边的配套举动步伐等成分，来预测下给定房屋的价格，这便是范例的回归问题。

根据图片识别出图片中的物体是猫还是狗，这便是范例的分类问题。

无监督学习也被称为非监督学习，无监督学习和监督学习最大的不同在于，事先没有任何演习样本，而须要直接对数据进行建模。

无监督学习只能默默的读取数据，自己探求数据的模型和规律，比如聚类（把相似数据归为一组）和非常检测（探求出一组数据的不同一个），在无监督学习中给定的数据没有任何标签或者说只有同一种标签。

比如小时候我们还不认识泉币的时候，看到一堆纸币和***，会很自然的把纸币和***分开，这便是聚类的最大略事理。

过拟合一样平常是在回归算法中的，是指演习出的模型和演习数据集同等性非常高，影响到新数据结果的预测。

避免过拟合是分类器设计中的一个核心任务，常日采取增大数据量和测试样本集的方法对分类器性能进行评价。

举个大略的栗子，高中的时候老师不太提倡我们弄题海战术，为什么？

由于题海战术里我们只是机器的记住了每道题的答案，但并没有把题目中原理抽取出去，等碰着新的题目，依旧还是不会做。

决策树是一种十分常用的分类方法，机器学习中，决策树是一个预测模型，代表的是工具属性与工具值之间的一种映射关系。

决策树顾名思义是一个树构造，每个非叶节点表示一个特色属性上的测试，每个分支代表这个特色属性在某个值域上的输出，而每个叶节点存放一个种别。

决策树最范例的案例便是周志华老师《机器学习》（西瓜书）中所提到的，通过纹理，根蒂，触感来判断一个西瓜是好是坏。

自然措辞处理

自然措辞处理技能紧张是让机器理解人类的措辞，近几年随着语音交互的热度不断提高，语音识别，自然措辞理解，自然措辞天生等名成开始逐渐涌如今大家的视野里。

实在这些大热名词都是自然措辞处理技能里某一个分支技能，自然措辞理解是指打算机通过一定的运算理解了人类输入的文本，自然措辞天生是将打算机所特有的逻辑性表达转成人类天生的文本。

这2项技能在现在的谈天机器人如阿法蛋等中，很是常见。

数据挖掘又称为数据采矿，说到数据挖掘的时候，常日都会提到其余一个词：数据剖析。

不少人都认为数据挖掘=机器学习+数据库，这样认为基本没问题，大略来说数据挖掘便是在数据库中，自动创造有代价的信息，并对其进行剖析，也便是我们常说的KDD（Knowledge Discovery in Database）。

数据挖掘的任务紧张有四块，聚类剖析，预测建模，关联剖析，非常检测，这四块可独立运行，也可联合操作。

感知机是比较入门的机器学习算法，相对付其他繁芜算法，感知机较好理解，它是二分类的线性分类模型，输入为实例的特色向量，输出为实例的种别。

感知机模型的数学定义为：假设输入空间(特色空间)是X⊆Rn ，输出空间是 y={+1, -1}。

由输入空间到输出空间的如下函数：

f(x)=sign(ω⋅x+b)

个中，向量 ω=(ω(1),ω(2),...,ω(n)) 是一个符号函数，即：

sign(x) =\begin{cases} +1, & x \geqslant 0 \\[2ex] -1, & x \lt 0

神经网络是一个非常广泛的机器学习模型凑集，一样平常指向2种，一个是生物神经网络，一个是人工神经网络。

神经网络最为主要的用场便是分类，比如让机器把一张照片上的动物区分出是猫还是狗，它的紧张思想是仿照人类大脑的行为来处理数据。

神经网络的根本在于各个神经元，神经元本来是生物学上的名词，人们对生物神经系统进行研究，以磋商人工智能的机制时，把神经元数学化，从而产生了神经元数学模型。