非监督学习非监督学习中，给定的数据集没有“正确答案”，所有的数据都是一样的。无监督学习的任务是从给定的数据集中，挖掘出潜在的结构。举个栗子：我们把一堆猫和狗的照片给机器，不给这些照片打任何标签，但是我们希望机器能够将这些照片分分类。将不打标签的照片给机器通过学习，机器会把这些照片分为2类，一类都是猫的照片，一类都是狗的照片。虽然跟上面的监督学习看上去结果差不多，但是有着本质的差别：非监督学习中，虽然照片分为了猫和狗，但是机器并不知道哪个是猫，哪个是狗。对于机器来说，相当于分成了A、B两类。
监督学习、非监督学习、强化学习机器学习根据训练方法大致可以分为3大类：监督学习非监督学习强化学习除此之外，大家可能还听过“半监督学习”之类的说法，但是那些都是基于上面3类的变种，本质没有改变。监督学习监督学习是指我们给算法一个数据集，并且给定正确答案。机器通过数据来学习正确答案的计算方法。举个栗子：我们准备了一大堆猫和狗的照片，我们想让机器学会如何识别猫和狗。当我们使用监督学习的时候，我们需要给这些照片打上标签。将打好标签的照片用来训练我们给照片打的标签就是“正确答案”，机器通过大量学习，就可以学会在新照片中认出猫和狗。当机器遇到新的小狗照片时就能认出他这种通过大量人工打标签来帮助机器学习的方式就是监督学习。这种学习方式效果非常好，但是成本也非常高。 广西机器学习培训视频下载深度智谷深度人工智能学院师资力量。
2.分类分类是另一种监督机器学习方法，这一方法对某个类别值进行预测或解释。比如可以用分类的方法来预测线上顾客是否会购买某一产品。输出可分为是或否，即购买者或非购买者。但分类并不限于两个选择。例如，可通过分类来看某一图像中是否有汽车或卡车。在这种情况下，输出就有3个不同值，分别为1）图像包含汽车、2）图像包含卡车或3）图像既不包含汽车也不包含卡车。逻辑回归是分类算法中**简单的一类，这听起来很像一个回归方法，其实不然。逻辑回归是基于一个或多个输入来估计某一事件发生概率的一种算法。例如，逻辑回归可基于学生的两次考试分数来估计该生被某一大学录取的概率。由于估计值是概率，输出只能是介于0和1之间的数字，其中1表示完全确定。对该生而言，如果估计概率大于，预测结果就是：他（她）能被录取，如果估计概率小于，预测结果则为：他（她）不会被录取。下图显示了先前学生的分数以及他们**终的录取结果。用逻辑回归可绘制出一条**决策边界的线。
基于实例的算法基于实例的算法常常用来对决策问题建立模型，这样的模型常常先选取一批样本数据，然后根据某些近似性把新数据与样本数据进行比较。通过这种方式来寻找比较好的匹配。因此，基于实例的算法常常也被称为“赢家通吃”学习或者“基于记忆的学习”。常见的算法包括k-NearestNeighbor(KNN),学习矢量量化（LearningVectorQuantization，LVQ），以及自组织映射算法（Self-OrganizingMap，SOM）正则化方法正则化方法是其他算法（通常是回归算法）的延伸，根据算法的复杂度对算法进行调整。正则化方法通常对简单模型予以奖励而对复杂算法予以惩罚。常见的算法包括：RidgeRegression，LeastAbsoluteShrinkageandSelectionOperator（LASSO），以及弹性网络（ElasticNet）。决策树学习决策树算法根据数据的属性采用树状结构建立决策模型，决策树模型常常用来解决分类和回归问题。常见的算法包括：分类及回归树（ClassificationAndRegressionTree，CART），ID3(IterativeDichotomiser3)，，Chi-squaredAutomaticInteractionDetection(CHAID),DecisionStump,随机森林（RandomForest），多元自适应回归样条（MARS）以及梯度推进机（GradientBoostingMachine。 深度智谷深度人工智能学院课程大纲。
5.集成方法假设你对市面上的自行车都不满意，打算自己制作一辆，也许会从寻找各个比较好的零件开始，然后**终会组装出一辆比较好的自行车。集成方法也是利用这一原理，将几个预测模型（监督式机器学习方法）组合起来从而得到比单个模型能提供的更高质量的预测结果。随机森林算法就是一种**方法，结合了许多用不同数据集样本训练的决策树。因此，随机森林的预测质量会高于单个决策树的预测质量。集成方法可理解为一种减小单个机器学习模型的方差和偏差的方法。任何给定的模型在某些条件下可能是准确的，但在其他条件下有可能不准确，因此这种方法十分重要。如果换用另一个模型，相对精度可能会更低。而组合这两个模型，就可以平衡预测的质量。绝大多数Kaggle竞赛的获胜者都会使用集成方法。**为流行的集成算法有随机森林、XGBoost和LightGBM。 深度智谷深度人工智能学院图像边界检测。四川机器学习培训班
深度智谷深度人工智能学院拉普拉斯金字塔。上海机器学习培训有用吗
7.人工神经网络的优缺点人工神经网络的优点：分类的准确度高；并行分布处理能力强,分布存储及学习能力强，对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系；具备联想记忆的功能。人工神经网络的缺点：神经网络需要大量的参数，如网络拓扑结构、权值和阈值的初始值；不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度；学习时间过长,甚至可能达不到学习的目的。8、K-Means聚类之前写过一篇关于K-Means聚类的文章，博文链接：机器学习算法-K-means聚类。关于K-Means的推导，里面有着很强大的EM思想。优点算法简单，容易实现；对处理大数据集，该算法是相对可伸缩的和高效率的，因为它的复杂度大约是O(nkt)，其中n是所有对象的数目，k是簇的数目,t是迭代的次数。通常k<<n。这个算法通常局部收敛。算法尝试找出使平方误差函数值**小的k个划分。当簇是密集的、球状或团状的，且簇与簇之间区别明显时，聚类效果较好。缺点对数据类型要求较高，适合数值型数据；可能收敛到局部**小值，在大规模数据上收敛较慢K值比较难以选取；对初值的簇心值敏感，对于不同的初始值，可能会导致不同的聚类结果；不适合于发现非凸面形状的簇。 上海机器学习培训有用吗
成都深度智谷科技有限公司致力于教育培训，是一家服务型公司。公司业务分为人工智能培训，深度学习培训，AI培训，AI算法工程师培训等，目前不断进行创新和服务改进，为客户提供良好的产品和服务。公司注重以质量为中心，以服务为理念，秉持诚信为本的理念，打造教育培训良好品牌。深度智谷秉承“客户为尊、服务为荣、创意为先、技术为实”的经营理念，全力打造公司的重点竞争力。
