1、按任务类型分，机器学习模型可以分为回归模型、分类模型和结构化学习模型。回归模型又叫预测模型，输出是一个不能枚举的数值；分类模型又分为二分类模型和多分类模型，常见的二分类问题有垃圾邮件过滤，常见的多分类问题有文档自动归类；结构化学习模型的输出不再是一个固定长度的值，如图片语义分析，输出是图片的文字描述。2、从方法的角度分，可以分为线性模型和非线性模型，线性模型较为简单，但作用不可忽视，线性模型是非线性模型的基础，很多非线性模型都是在线性模型的基础上变换而来的。非线性模型又可以分为传统机器学习模型，如SVM，KNN，决策树等，和深度学习模型。3、按照学习理论分，机器学习模型可以分为有监督学习，半监督学习，无监督学习，迁移学习和强化学习。当训练样本带有标签时是有监督学习；训练样本部分有标签，部分无标签时是半监督学习；训练样本全部无标签时是无监督学习。迁移学习就是就是把已经训练好的模型参数迁移到新的模型上以帮助新模型训练。强化学习是一个学习比较好策略（policy），可以让本体（agent）在特定环境（environment）中，根据当前状态（state），做出行动（action），从而获得比较大回报（reward）。 深度智谷深度人工智能学院回归算法模型。山西数据挖掘机器学习培训
8.强化学习试想，迷宫中有只老鼠，在试图寻找藏在某处的奶酪。老鼠进迷宫的次数越多，它就越有可能找到奶酪。一开始，老鼠可能会随机走动，但一段时间后，它就能意识到怎样走可以找到奶酪。老鼠找奶酪的过程反映了使用强化学习来训练系统或游戏的方法。一般来说，强化学习是一种帮助代理从经验中学习的机器学习方法。通过在设定环境中记录操作并使用试错法，强化学习可以比较大化累积奖励。在上述示例中，代理是老鼠，环境是迷宫。老鼠的可能操作是：前移、后移、左移或右移，奶酪则是奖励。如果一个问题几乎没有任何历史数据，就可以选择强化学习方法，因为它不需要事先提供信息（这一点不同于传统的机器学习方法）。在强化学习框架中，你可以随时了解数据。因此强化学习的应用在游戏方面的成功也就不足为奇了，特别是在国际象棋和围棋这类“完美信息”型游戏上的应用。在游戏中，可以迅速根据代理和环境的反馈做出调整，从而使模型能够快速学习。强化学习的缺点则是如果问题很复杂，训练时间也许会很长。IBM的DeepBlue曾在1997年击败了人类比较好国际象棋选手，同样，基于深度学习的算法AlphaGo也于2016年击败了人类比较好围棋选手。 浙江机器学习培训总结深度智谷深度人工智能学院模型训练测试。
Sigmoid函数：优点：实现简单，***的应用于工业问题上；分类时计算量非常小，速度很快，存储资源低；便利的观测样本概率分数；对逻辑回归而言，多重共线性并不是问题，它可以结合L2正则化来解决该问题；缺点：当特征空间很大时，逻辑回归的性能不是很好；容易欠拟合，一般准确度不太高不能很好地处理大量多类特征或变量；只能处理两分类问题（在此基础上衍生出来的softmax可以用于多分类），且必须线性可分；对于非线性特征，需要进行转换；3.线性回归线性回归是用于回归的，而不像Logistic回归是用于分类，其基本思想是用梯度下降法对**小二乘法形式的误差函数进行优化，当然也可以用normalequation直接求得参数的解，结果为：而在LWLR（局部加权线性回归）中，参数的计算表达式为:由此可见LWLR与LR不同，LWLR是一个非参数模型，因为每次进行回归计算都要遍历训练样本至少一次。优点：实现简单，计算简单。
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。 深度智谷深度人工智能学院逻辑回归算法。
4.降维顾名思义，降维可用来删除数据集中**不重要的数据。实践中常会遇到包含数百甚至数千列（也称为特征）的数据集，因此减少总量至关重要。例如，图像中数千个像素中并不是所有的都要分析；或是在制造过程中要测试微芯片时，如果对每个芯片都进行测试也许需要数千次测试，但其实其中很多芯片提供的信息是多余的。在这些情况下，就需要运用降维算法以便对数据集进行管理。主成分分析（PCA）是**常用的降维方法，通过找出比较大化数据线性变化的新向量来减小特征空间的维数。在数据的线性相关性很强时，主成分分析法可以***减小数据的维度，且不会丢失太多信息。（其实，还可以衡量信息丢失的实际程度并进行相应调整。）t-分布邻域嵌入（t-SNE）是另一种常用的方法，可用来减少非线性维数。t-分布邻域嵌入通常用于数据可视化，但也可以用于减少特征空间和聚类等机器学习任务。下图显示了手写数字的MNIST数据库分析。MNIST包含数千个从0到9的数字图像，研究人员以此来测试聚类和分类算法。数据集的每一行是原始图像的矢量化版本（大小为28×28=784）和每个图像的标签（0，1,2，3，......，9）。注意，因此将维度从784（像素）减至2（可视化维度）。 深度智谷深度人工智能学院图像滤波算法。福建机器学习培训在线
深度智谷深度人工智能学院聚类算法模型。山西数据挖掘机器学习培训
步骤4：训练大部分人都认为这个是**重要的部分，其实并非如此~数据数量和质量、还有模型的选择比训练本身重要更多（训练知识台上的3分钟，更重要的是台下的10年功）。这个过程就不需要人来参与的，机器**就可以完成，整个过程就好像是在做算术题。因为机器学习的本质就是将问题转化为数学问题，然后解答数学题的过程。步骤5：评估一旦训练完成，就可以评估模型是否有用。这是我们之前预留的验证集和测试集发挥作用的地方。评估的指标主要有准确率、召回率、F值。这个过程可以让我们看到模型如何对尚未看到的数是如何做预测的。这意味着**模型在现实世界中的表现。步骤6：参数调整完成评估后，您可能希望了解是否可以以任何方式进一步改进训练。我们可以通过调整参数来做到这一点。当我们进行训练时，我们隐含地假设了一些参数，我们可以通过认为的调整这些参数让模型表现的更出色。步骤7：预测我们上面的6个步骤都是为了这一步来服务的。这也是机器学习的价值。这个时候，当我们买来一瓶新的酒，只要告诉机器他的颜色和酒精度，他就会告诉你，这时啤酒还是红酒了。 山西数据挖掘机器学习培训
成都深度智谷科技有限公司主营品牌有深度人工智能教育，发展规模团队不断壮大，该公司服务型的公司。公司是一家有限责任公司企业，以诚信务实的创业精神、专业的管理团队、踏实的职工队伍，努力为广大用户提供***的产品。公司始终坚持客户需求优先的原则，致力于提供高质量的人工智能培训，深度学习培训，AI培训，AI算法工程师培训。深度智谷以创造***产品及服务的理念，打造高指标的服务，引导行业的发展。
