什么是机器学习？机器学习主要有哪几种类型？今天过后你就懂了｜极客云算

  说起机器学习相信大家都不会陌生，毕竟处于人工智能高速发展时期，机器学习话题越来越平常化，其实关于机器学习最简单的定义是来自于Berkeley所表述的，机器学习其实就是AI的一个分支，它探索了如何让计算机根据经验提高效率的方法。

  我们都知道人工智能是一种能够使得计算机及其系统能够成功完成通常需要人类智能行为才能完成的任务的研究和开发。机器学习是训练计算机完成上述任务的技术和过程，是其必不可少的一部分。大多数情况下，要让计算机完成人工智能的任务，它需要借助于人工帮助去练习和适应。

  首先我们要知道，机器学习取决于数据，第一步是确保按照你要解决的问题的要求拥有适合的数据。但随着大数据的到来，人们每天都在产生海量的数据，当有更多数据被输入系统，通过机器学习，计算机将可以更加准确地对它以及将遇到的未来数据做出响应。

  人工智能技术的飞速发展，现阶段的机器学习技术仍在不停地涌现，虽然一些用于训练计算机的模型已经被识别和使用，但是由于各种不同的业务需求，我们还是要采用不同的模型，所以在训练计算机时也就出现了使用不同的模型情况，且随着时间的推移将会有越来越多的模型被开发出来。

  在机器学习中可以使用许多不同的模型，但它们通常被分为三种不同的学习类型：

一、传统机器学习

  是否需要人工构造特征，我想应该是传统机器学习最大特点了，传统的ML使用基于统计方法的算法来执行ML，其中最著名的算法有线性回归、支持向量机、决策树等。这些技术的大多数数学和统计数据都有几十年的历史了，而且已经很好理解了。直到过去十年，它们才被广泛称为ML或AI。

  要学习这些算法背后的数学，一个很好的参考是《TheElementsofStatisticalLearning》一书。Pythonsklearn和xgboost软件包基本上可以包括上面所说的使用Python进行传统ML所需要的全部。

二、深度学习

  相信你不会陌生了，深度学习模拟人类视觉特征，把特征划分成low-levelfeature和high-levelfeature。

  DL彻底改变了计算机视觉(CV)和自然语言处理(NLP)领域。

  在深度神经网络中，将多层人工神经网络链接在一起，可以根据通用逼近定理近似任意数学函数。人工神经网络的每一层都由一个线性操作和一个非线性操作组成。

  通过向算法提供有关我们要学习的任务的大量数据，可以"学习"线性运算的参数。在内部，使用一种称为"梯度下降"的学习算法来逐步调整参数，直到获得最佳精度为止。

  目前有两个主要的用于开发深度学习应用程序的Python框架:Tensorflow和Pytorch

三、强化学习

  在我看来，强化学习是三种ML中最复杂的一种。是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。

  在传统的ML和DL中，人工智能系统从过去的数据中学习，而在RL中，人工智能系统通过采取一些行动并衡量其回报来学习，类似于训练我们的宠物狗狗学新技能。在像"AlphaGO"这样的游戏中，奖励是做出决定以最大化分数。

那么，你认为三种机器学习类型要如何选择？

  个人建议，应该从业务需求角度出发来理解这个问题。再不断的进行各种尝试，直到达到你的商业目标。