什么是机器学习?

专门研究计算机怎样模拟人类的学习行为,用获取到的新知识重新组织已有的知识结构,不断改善自身的性能

机器学习的分类:

监督学习（supervised learning）

无监督学习（unsupervised learning ）

半监督学习（semi-supervised learning ）

强化学习（reinforcement learning， 增强学习)

监督学习:训练模型时有样本对应的类别标签信息

泛化能力（generalization ability）是指机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据背后的规律，

对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化能力。(学习能力,不是背诵能力)

无监督学习:训练模型时没有样本对应的类别标签信息

半监督学习:训练数据有部分被标识， 部分没有被标识;思路见截图

强化学习:通过试错来发现最优行为策略而不是带有标签的样本学习。

在机器学习中， 要解决某一问题， 通常把问题转为成分类、回归、 聚类、 强化学习这四类问题进行解决

分类问题：根据数据样本抽取出的特征， 判定其属于有限个类别中的哪一个。(大多会产出一个概率值)

回归问题：根据样本上抽取的特征， 预测连续值结果。 属于有监督学习

聚类问题：根据数据样本抽取的特征， 挖掘出数据的关联模式

机 器 学 习 流 程 ： 数 据 预 处 理 （Preprocessing ） 、 模 型 学 习（Learning） 、 模型评估（Evaluation） 、 新样本预测（Prediction）