機器學習概覽

細分客戶羣，並未每一個羣體設置最佳的市場策略；
基於類似度來爲每一個顧客推薦產品；
檢測哪些交易最有多是欺詐性的；
預測下一年的收入；

機器學習系統的種類

• 是否在人類監督下訓練（監督式學習、無監督式學習、半監督式學習和強化學習）
• 是否能夠動態地進行增量學習（在線學習和批量學習）
• 是簡單地將信的數據點和已知的數據點進行匹配，仍是像科學家那樣，對訓練數據進行模式檢測，而後創建一個預測模型（基於實例的學習和基於模型的學習）

監督式/無監督式學習
根據訓練期間接受的監督數量和監督類型，能夠將機器學習系統分爲如下四個主要類別：

1. 監督式學習
   在監督式學習中，提供給算法的包含所需解決方案的訓練數據，稱爲標籤或標記。

   a. 分類任務
   b. 迴歸任務：經過預測變量，一組給定的特徵來預測一個目標數值

   監督式學習的算法：
    K-近鄰算法（k-Nearest Neighbors）
    線性迴歸（Linear Regression）
    邏輯迴歸（Logistic Regression）
    支持向量機（Support Vector Machines,SVM）
    決策樹和隨機森林（Decision Trees and Random Forests）
    神經網絡（Neural networks）

2. 無監督式學習
   無監督式學習的訓練數據都是未經標記，系統會在沒有老師的狀況下進行學習。
   a.聚類算法：

   k-平均算法（k-Means）
    分層聚類分析（Hierarchical Cluster Analysis,HCA）
    最大指望算法（Expectation Maximization）

   b.可視化和降維：

   主成分分析（PCA）
    核主成分分析（Kernel PCA）
    局部線性嵌入（LLE）
    t-分佈隨機近臨嵌入（t-SNE）

   c.關聯規則：

   Apriori
    Eclat

3. 半監督式學習
   處理部分標記的訓練數據——一般是大量未標記數據和少許的標記數據。大多數半監督式學習算法是無監督式和監督式算法的結合。
   深度信念網絡（DBN），基於互相堆疊的無監督式組件，這個組件叫作受限玻爾茲曼機（RBM）。受限玻爾茲曼機以無監督的方式進行訓練，而後使用監督式學習對整個系統進行微調。
4. 強化學習
   它的學習系統（智能體）可以觀察環境，作出選擇，執行操做，並得到回報（reward），或者是以負面回報的形式得到懲罰。因此它必須自行學習什麼是最好的策略，從而隨着時間推移得到最大的回報。策略表明智能體在特定狀況下應該選擇的操做。

批量學習和在線

1. 批量學習
   在批量學習中，系統沒法進行增量學習一一即必須使用全部可用數據進行訓練。因此一般情形下，都是離線完成的。離線學習就是先訓練系統，而後將其投入生產環境，這時學習過程中止，它只是將其所學到的應用出來。
2. 在線學習