机器学习中的一些概念_显著示编程

显著式编程：显著式编程从一开始就定死了程序的输入和输出。

非显著式编程：让计算机自己总结规律的编程方法叫做非显著式编程。非显著式编程是让计算机通过数据、经验自动的学习完成我们交给的任务。

机器学习关注的是非显著式的编程。

按照任务是否需要和环境交互获得经验，将机器学习分为监督学习和强化学习。

强化学习：(Reinforcement Learning)计算机通过与环境的互动，逐渐强化自己的行为模式。

监督学习根据数据标签存在与否分为：

（1）传统的监督学习(Traiditional Supervised Learning)每一个训练数据都有对应的标签

传统的监督学习包含算法包括：

1. 支持向量机(support vector machine)
2. 人工神经网络(neural networks)
3. 深度神经网络(deep neural networks)

（2）非监督学习(Unsupervised Learning)所有的训练数据都没有对应的标签。

非监督学习包含算法包括：

1. 聚类(clustering)
2. EM算法(Expectation-Maximization algorithm)
3. 主成分分析(principle component analysis)

（3）半监督学习(Semi-Supervised Learning)训练数据中一部分有标签，一部分没有标签。

另一种分类方法是基于标签的固有属性，将监督学习分为分类和回归：<