机器学习的两种典型任务

机器学习中的典型任务类型可以分为分类任务（Classification）和回归任务（Regression）

分类任务

   回归任务

简单的理解，分类任务是对离散值进行预测，根据每个样本的值/特征预测该样本属于类 型A、类型B 还是类型C，例如情感分类、内容审核，相当于学习了一个分类边界（决策 边界），用分类边界把不同类别的数据区分开来。 回归任务是对连续值进行预测，根据每个样本的值/特征预测该样本的具体数值，例如房 价预测，股票预测等，相当于学习到了这一组数据背后的分布，能够根据数据的输入预 测该数据的取值。

有监督学习：监督学习利用大量的标注数据来训练模型，对模型的预测值和数据的真实 标签计算损失，然后将误差进行反向传播（计算梯度、更新参数），通过不断的学习， 最终可以获得识别新样本的能力。

每条数据都有正确答案，通过模型预测结果与正确答案的误差不断优化模型参数

无监督学习：无监督学习不依赖任何标签值，通过对数据内在特征的挖掘，找到样本间 的关系，比如聚类相关的任务。有监督和无监督最主要的区别在于模型在训练时是否需 要人工标注的标签信息。

只有数据没有答案，常见的是聚类算法，通过衡量样本之间的距离来划分类别

半监督学习：利用有标签数据和无标签数据来训练模型。一般假设无标签数据远多于有 标签数据。例如使用有标签数据训练模型，然后对无标签数据进行分类，再使用正确分 类的无标签数据训练模型；

利用大量的无标注数据和少量有标注数据进行模型训练

自监督学习：机器学习的标注数据源于数据本身，而不是由人工标注。目前主流大模型 的预训练过程都是采用自监督学习，将数据构建成完型填空形式，让模型预测对应内容， 实现自监督学习。

通过对数据进行处理，让数据的一部分成为标签，由此构成大规模数据进行模型训练

远程监督学习：主要用于关系抽取任务，采用bootstrap的思想通过已知三元组在文本 中寻找共现句，自动构成有标签数据，进行有监督学习。

基于现有的三元组收集训练数据，进行有监督学习

强化学习：强化学习是智能体根据已有的经验，采取系统或随机的方式，去尝试各种可 能答案的方式进行学习，并且智能体会通过环境反馈的奖赏来决定下一步的行为，并为 了获得更好的奖赏来进一步强化学习。

以获取更高的环境奖励为目标优化模型