導(dǎo)讀：現(xiàn)有的機器學(xué)習系統(tǒng)種類繁多，根據(jù)以下內(nèi)容將它們進行分類有助于我們理解：

• 是否在人類監(jiān)督下訓(xùn)練（監(jiān)督式學(xué)習、無監(jiān)督式學(xué)習、半監(jiān)督式學(xué)習和強化學(xué)習）

• 是否可以動態(tài)地進行增量學(xué)習（在線學(xué)習和批量學(xué)習）

• 是簡單地將新的數(shù)據(jù)點和已知的數(shù)據(jù)點進行匹配，還是像科學(xué)家那樣，對訓(xùn)練數(shù)據(jù)進行模式檢測，然后建立一個預(yù)測模型（基于實例的學(xué)習和基于模型的學(xué)習）

這些標準之間互相并不排斥，你可以以你喜歡的方式將其任意組合。例如，現(xiàn)在最先進的垃圾郵件過濾器可能是使用深度神經(jīng)網(wǎng)絡(luò)模型對垃圾郵件和常規(guī)郵件進行訓(xùn)練，完成動態(tài)學(xué)習。這使其成為一個在線的、基于模型的、監(jiān)督式學(xué)習系統(tǒng)。

作者：奧雷利安·杰龍（Aurélien Géron）

本文摘編自《機器學(xué)習實戰(zhàn)：基于Scikit-Learn和TensorFlow》，如需轉(zhuǎn)載請聯(lián)系我們

我們來看看這幾個標準。

01 監(jiān)督式/無監(jiān)督式學(xué)習

根據(jù)訓(xùn)練期間接受的監(jiān)督數(shù)量和監(jiān)督類型，可以將機器學(xué)習系統(tǒng)分為以下四個主要類別：監(jiān)督式學(xué)習、無監(jiān)督式學(xué)習、半監(jiān)督式學(xué)習和強化學(xué)習。

1. 監(jiān)督式學(xué)習

在監(jiān)督式學(xué)習中，提供給算法的包含所需解決方案的訓(xùn)練數(shù)據(jù)，稱之為標簽或標記（圖1-5）。

▲圖1-5：監(jiān)督式學(xué)習中被標記的訓(xùn)練集（例如，垃圾郵件分類）

分類任務(wù)是一個典型的監(jiān)督式學(xué)習任務(wù)。垃圾郵件過濾器就是個很好的例子：通過大量的電子郵件示例及其所屬的類別（垃圾郵件或是常規(guī)郵件）進行訓(xùn)練，然后學(xué)習如何對新郵件進行分類。

還有典型的任務(wù)，是通過預(yù)測變量——也就是一組給定的特征（里程、使用年限、品牌等）——來預(yù)測一個目標數(shù)值，例如汽車的價格。這種類型的任務(wù)被稱為回歸任務(wù)（圖1-6）。要訓(xùn)練這樣一個系統(tǒng)，你需要提供大量的汽車示例，包括它們的預(yù)測變量和它們的標簽（也就是它們的價格）。

在機器學(xué)習里，屬性是一種數(shù)據(jù)類型（例如“里程”）；而特征取決于上下文，可能有多個含義，但是通常狀況下，特征意味著一個屬性加上其值（例如，“里程=15,000”）。盡管如此，許多人還是會交替使用屬性和特征這兩個名詞。

▲圖1-6：回歸任務(wù)

值得注意的是，一些回歸算法也可以用于分類任務(wù)，反之亦然。例如，邏輯回歸就被廣泛地用于分類，因為它可以輸出“屬于某個給定類別的概率”的值（例如，20%的機率是垃圾郵件）。

這里是一些最重要的監(jiān)督式學(xué)習的算法：

• K-近臨算法（k-Nearest Neighbors）

• 線性回歸（Linear Regression）

• 邏輯回歸（Logistic Regression）

• 支持向量機（Support Vector Machines，簡稱SVMs）

• 決策樹和隨機森林（Decision Trees and Random Forests）

• 神經(jīng)網(wǎng)絡(luò)（Neural networks）

2. 無監(jiān)督式學(xué)習

無監(jiān)督式學(xué)習，顧名思義，你可能已經(jīng)猜到，訓(xùn)練數(shù)據(jù)都是未經(jīng)標記的（圖1-7）。系統(tǒng)會在沒有老師的情況下進行學(xué)習。

▲圖1-7：無監(jiān)督式學(xué)習的未標記訓(xùn)練集

這里有一些最重要的無監(jiān)督式學(xué)習的算法：

聚類算法

• k-平均算法（k-Means）

• 系統(tǒng)聚類分析（Hierarchical Cluster Analysis，簡稱HCA）

• 最大期望算法（Expectation Maximization）

可視化和降維

• 主成分分析（PCA）

• 核主成分分析（Kernel PCA）

• 局部線性嵌入（LLE）

• t-分布隨機近臨嵌入（t-SNE）

關(guān)聯(lián)規(guī)則學(xué)習

• Apriori

• Eclat

例如，假設(shè)你現(xiàn)在擁有大量的自己博客訪客的數(shù)據(jù)。你想通過一個聚類算法來檢測相似訪客的分組（圖1-8）。你不大可能告訴這個算法每個訪客屬于哪個分組——而是要它自己去尋找這種關(guān)聯(lián)，無需你的幫助。

比如說，它可能會注意到40%的訪客是喜歡漫畫的男性，并且通常是在夜晚閱讀你的博客，20%的訪客是年輕的科幻愛好者，通常是在周末訪問，等等。如果你使用的是層次聚類的算法，它還可以將每組細分為更小的組。這可能有助于你針對不同的分組來發(fā)布博客內(nèi)容。

▲圖1-8：聚類

可視化算法也是無監(jiān)督式學(xué)習算法的好例子：你提供大量復(fù)雜的、未標記的數(shù)據(jù)，得到輕松繪制而成的2D或3D的數(shù)據(jù)呈現(xiàn)作為輸出（圖1-9）。這些算法會盡其所能地保留盡量多的結(jié)構(gòu)（譬如，嘗試保持讓輸入的單獨集群在可視化中不會被重疊），以便于你理解這些數(shù)據(jù)是怎么組織的，甚至識別出一些未知的模式。

▲圖1-9：一個使用t-SNE算法的可視化示例，突顯了各種語義叢

與之相關(guān)的另一種任務(wù)是降維，降維的目的是在不丟失太多信息的前提下簡化數(shù)據(jù)。方法之一是將多個相關(guān)特征合并為一個。例如，汽車的里程與其使用年限存在很大的相關(guān)性，所以降維算法會將它們合并成一個代表汽車磨損的特征。這個過程被稱之為特稱提取。

通常比較好的做法是，先使用降維算法減少訓(xùn)練數(shù)據(jù)的維度，再將其提供給另一個機器學(xué)習算法（例如監(jiān)督式學(xué)習算法）。這會使它運行得更快，數(shù)據(jù)占用的磁盤空間和內(nèi)存都會更小，在某些情況下，執(zhí)行性能也會更好。

另一個很重要的無監(jiān)督式任務(wù)是異常檢測——例如，檢測異常信用卡交易從而防止欺詐，捕捉制造缺陷，或者是在提供數(shù)據(jù)給一種機器學(xué)習算法之前，自動從數(shù)據(jù)集中移除異常值。系統(tǒng)用正常實例進行訓(xùn)練，然后當它看到新的實例時，它就可以判斷出這個新實例看上去是正常還是異常（見圖1-10）。

▲圖1-10：異常檢測

最后，還有一個常見的無監(jiān)督式任務(wù)是關(guān)聯(lián)規(guī)則學(xué)習，其目的是挖掘大量數(shù)據(jù)，發(fā)現(xiàn)屬性之間的有趣聯(lián)系。比如說，假設(shè)你開了一家超市，在銷售日志上運行關(guān)聯(lián)規(guī)則之后發(fā)現(xiàn)買燒烤醬和薯片的人，也傾向于購買牛排。那么，你可能會將這幾樣商品擺放得更為靠近一些。

3. 半監(jiān)督式學(xué)習

有些算法可以處理部分標記的訓(xùn)練數(shù)據(jù)——通常是大量未標記數(shù)據(jù)和少量的標記數(shù)據(jù)。這被稱為半監(jiān)督式學(xué)習（圖1-11）。

有些照片托管服務(wù)（例如 Google 相冊）就是很好的例子。一旦你將所有的家庭照片上傳到服務(wù)后，它會自動識別出人物A出現(xiàn)在照片1、5和11中，另一個人B出現(xiàn)在照片2、5和7中。這是算法中無監(jiān)督的部分（聚類）。現(xiàn)在系統(tǒng)需要你做的只是，告訴它這些人都是誰。給每個人一個標簽之后，它就可以給每張照片中的每個人命名，這對于搜索圖片非常重要。

▲圖1-11：半監(jiān)督式學(xué)習

大多數(shù)半監(jiān)督式學(xué)習算法是無監(jiān)督和監(jiān)督式算法的結(jié)合。例如深度信念網(wǎng)絡(luò)（DBNs），它基于一種互相堆疊的無監(jiān)督式組件，這個組件叫做受限玻爾茲曼機（RBMs）。受限玻爾茲曼機以無監(jiān)督的方式進行訓(xùn)練，然后使用監(jiān)督式學(xué)習對整個系統(tǒng)進行微調(diào)。

4. 強化學(xué)習

強化學(xué)習則是一個非常與眾不同的巨獸。它的學(xué)習系統(tǒng)（在其語境中被稱為智能體）能夠觀察環(huán)境，做出選擇，執(zhí)行操作，并獲得回報（rewards），或者是以負面回報的形式獲得懲罰，見圖1-12。所以它必須自行學(xué)習什么是最好的策略 (policy)，從而隨著時間推移獲得最大的回報。策略代表智能體在特定情況下應(yīng)該選擇的操作。

▲圖1-12：強化學(xué)習

例如，許多機器人通過強化學(xué)習算法來學(xué)習如何行走。DeepMind的AlphaGo項目也是一個強化學(xué)習的好例子——2016年3月，AlphaGo在圍棋比賽中擊敗世界冠軍李世乭而聲名鵲起。通過分析數(shù)百萬場比賽，然后自己跟自己下棋，它學(xué)到了它的制勝策略。要注意，在跟世界冠軍對弈的時候，AlphaGo處于關(guān)閉學(xué)習狀態(tài)下，它只是應(yīng)用它所學(xué)到的策略而已。

02 批量學(xué)習和在線學(xué)習

還有一個給機器學(xué)習系統(tǒng)分類的標準，是看系統(tǒng)是否可以從傳入的數(shù)據(jù)流中進行增量學(xué)習。

1. 批量學(xué)習

批量學(xué)習中，系統(tǒng)無法進行增量學(xué)習——即必須使用所有可用數(shù)據(jù)進行訓(xùn)練。這需要大量時間和計算資源，所以通常情形下，都是離線完成的。離線學(xué)習就是先訓(xùn)練系統(tǒng)，然后將其投入生產(chǎn)環(huán)境，這時學(xué)習過程停止，它只是將其所學(xué)到的應(yīng)用出來。

如果你希望批量學(xué)習系統(tǒng)學(xué)習新數(shù)據(jù)（例如新型垃圾郵件），你需要在完整數(shù)據(jù)集（不僅僅是新數(shù)據(jù)，還要包括舊數(shù)據(jù)）的基礎(chǔ)上重新訓(xùn)練一個新版本的系統(tǒng)，然后停用舊系統(tǒng)，用新系統(tǒng)取而代之。

幸運的是，整個訓(xùn)練、評估和啟動機器學(xué)習系統(tǒng)的過程可以很輕易地實現(xiàn)自動化（如圖1-13所示），所以即使是批量學(xué)習系統(tǒng)也能夠適應(yīng)變化。只是需要不斷地更新數(shù)據(jù)，以及根據(jù)需要，頻繁地訓(xùn)練新版本的系統(tǒng)。

▲圖1-13：在線學(xué)習

這個解決方法比較簡單，通常情況下也都能正常工作，只是每次都使用全套數(shù)據(jù)集進行訓(xùn)練可能需要花上好幾個小時，所以，你很有可能會選擇每天甚至每周訓(xùn)練一次新系統(tǒng)。如果你的系統(tǒng)需要應(yīng)對快速變化的數(shù)據(jù)（例如，預(yù)測股票價格），那么你需要一個更具響應(yīng)力的解決方案。

此外，使用完整數(shù)據(jù)訓(xùn)練需要耗費大量的計算資源（CPU、內(nèi)存空間、磁盤空間、磁盤I/O、網(wǎng)絡(luò)I/O等等）。如果你的數(shù)據(jù)量非常大，并且每天自動執(zhí)行重新訓(xùn)練系統(tǒng)，那最終你將為此花費大量的金錢。而假如數(shù)據(jù)量更海量一些，你甚至可能無法再應(yīng)用批量學(xué)習算法。

所以如果你的資源有限（例如，智能手機應(yīng)用程序或者是火星上的漫游器），而系統(tǒng)需要實現(xiàn)自主學(xué)習，那么像這樣攜帶大量訓(xùn)練數(shù)據(jù)，占用大量資源，動輒每天耗費幾小時來進行訓(xùn)練的方式，肯定是心有余而力不足。

幸運的是，在所有這些情況下，我們有了一個更好的選擇——也就是能夠進行增量學(xué)習的算法。

2. 在線學(xué)習

在在線學(xué)習中，你可以循序漸進地給系統(tǒng)提供訓(xùn)練數(shù)據(jù)，逐步積累學(xué)習成果。這種提供數(shù)據(jù)的方式可以是單獨地，也可以采用小批量（mini-batches）的小組數(shù)據(jù)來進行訓(xùn)練。每一步學(xué)習都很快速并且便宜，所以系統(tǒng)就可以根據(jù)飛速寫入的最新數(shù)據(jù)進行學(xué)習（見圖1-13）。

對于這類系統(tǒng)——需要接收持續(xù)的數(shù)據(jù)流（例如股票價格）同時對數(shù)據(jù)流的變化做出快速或自主的反應(yīng)，使用在線學(xué)習系統(tǒng)是一個非常好的方式。如果你的計算資源有限，它同樣也是一個很好的選擇：新的數(shù)據(jù)實例一旦經(jīng)過系統(tǒng)的學(xué)習，就不再需要，你可以將其丟棄（除非你想要回滾到前一個狀態(tài)，再“重新學(xué)習”數(shù)據(jù)），這可以節(jié)省大量的空間。

對于超大數(shù)據(jù)集——超出一臺計算機的主存儲器的數(shù)據(jù)，在線學(xué)習算法也同樣適用（這被稱為out-of-core核外學(xué)習）。算法每次只加載部分數(shù)據(jù)，并針對這部分數(shù)據(jù)進行訓(xùn)練，然后不斷重復(fù)這個過程，直到完成所有數(shù)據(jù)的訓(xùn)練（見圖1-14）。

▲圖1-14：使用在線學(xué)習處理超大數(shù)據(jù)集

整個過程通常是離線完成的（也就是不在live系統(tǒng)上），因此在線學(xué)習這個名字很容易讓人產(chǎn)生誤解。可以將其視為增量學(xué)習。

在線學(xué)習系統(tǒng)的一個重要參數(shù)，是看它能夠多快適應(yīng)不斷變化的數(shù)據(jù)，這就是所謂的學(xué)習率。如果設(shè)置的學(xué)習率很高，那么系統(tǒng)將會迅速適應(yīng)新數(shù)據(jù)，但同時也很快忘記舊數(shù)據(jù)（你肯定不會希望垃圾郵件過濾器只對最新顯示的郵件進行標記）。

反過來，如果學(xué)習率很低，系統(tǒng)會有更高的惰性，也就是說，它學(xué)習會更緩慢，同時也會對新數(shù)據(jù)中的噪聲或者非典型數(shù)據(jù)點的序列更不敏感。

在線學(xué)習面臨的一個重大挑戰(zhàn)是，如果給系統(tǒng)輸入不良數(shù)據(jù)，系統(tǒng)的性能將會逐漸下降。現(xiàn)在某些實時系統(tǒng)的客戶，說不定已經(jīng)注意到了這個現(xiàn)象。不良數(shù)據(jù)的來源可能是，例如，機器上發(fā)生故障的傳感器，或者是有人對搜索引擎惡意刷屏以提高搜索結(jié)果排名等等。

為了降低這種風險，你需要密切監(jiān)控你的系統(tǒng)，一旦檢測到性能下降，要及時中斷學(xué)習（可能還需要恢復(fù)到之前的工作狀態(tài)）。當然，你同時還需要監(jiān)控數(shù)據(jù)輸入，并對異常數(shù)據(jù)做出響應(yīng)（例如，使用異常檢測算法）。

03 基于實例與基于模型的學(xué)習

另一種對機器學(xué)習系統(tǒng)進行分類的方法是看它們?nèi)绾?/span>泛化。大多數(shù)機器學(xué)習任務(wù)是要做出預(yù)測。這意味著，系統(tǒng)需要通過給定的訓(xùn)練示例，在它此前并未見過的示例上進行泛化。在訓(xùn)練數(shù)據(jù)上實現(xiàn)良好的性能指標固然重要，但是還不夠充分；真正的目的是要在新的對象實例上表現(xiàn)出色。

泛化的主要方法有兩種：基于實例的學(xué)習和基于模型的學(xué)習。

1. 基于實例的學(xué)習

我們最司空見慣的學(xué)習方法就是簡單的死記硬背。如果你以這種方式創(chuàng)建一個垃圾郵件過濾器，那它可能只會標記那些跟已被用戶標記為垃圾郵件完全相同的郵件——這雖然不是最差的解決方案，但肯定也不是最好的。

除了完全相同的，你還可以通過編程讓系統(tǒng)標記與已知的垃圾郵件非常相似的郵件。這里需要兩封郵件之間的相似度度量。有一種（基本的）相似度度量方式，是計算它們之間相同的單詞數(shù)目。如果一封新郵件與一封已知的垃圾郵件有許多字句相同，系統(tǒng)就可以將其標記為垃圾郵件。

這便是基于實例的學(xué)習：系統(tǒng)先完全記住學(xué)習示例（examples），然后通過某種相似度度量方式將其泛化到新的實例（圖1-15）。

▲圖1-15：基于實例的學(xué)習

2. 基于模型的學(xué)習

從一組示例集中實現(xiàn)泛化的另一種方法，是構(gòu)建這些示例的模型，然后使用該模型進行預(yù)測。這就是基于模型的學(xué)習（圖1-16）。

▲圖1-16：基于模型的學(xué)習

舉例來說，假設(shè)你想知道金錢是否讓人感到快樂，你可以從經(jīng)合組織（OECD）的網(wǎng)站上下載“幸福指數(shù)”的數(shù)據(jù)，再從國際貨幣基金組織（IMF）的網(wǎng)站上找到人均GDP的統(tǒng)計數(shù)據(jù)，將數(shù)據(jù)并入表格，按照人均GDP排序，你會得到如表1-1顯示的摘要。

國家	人均GDP	生活滿意度
匈牙利	12 240	4.9
韓國	27 195	5.8
法國	37 675	6.5
澳大利亞	50 962	7.3
美國	55 805	7.2

▲表1-1：金錢是否讓人感到快樂？

讓我們隨機繪制幾個國家的數(shù)據(jù)（圖1-17）。

▲圖1-17：看出趨勢了么？

這里似乎有一個趨勢！雖然數(shù)據(jù)包含噪聲（即部分隨機），但是仍然可以看出隨著國內(nèi)生產(chǎn)總值的增加，生活滿意度或多或少呈現(xiàn)線性上升的趨勢。所以你可以把生活滿意度建模成一個關(guān)于人均GDP的線性函數(shù)。這個過程稱之為模型選擇：你為生活滿意度選擇了一個線性模型，該模型只有一個屬性，就是人均GDP（見以下公式）。

• 生活滿意度＝θ₀+θ₁×人均GDP

這個模型有兩個參數(shù)，θ₀和θ₁。通過調(diào)整這兩個參數(shù)，你可以用這個模型來代表任意線性函數(shù)，如圖1-18所示。

▲圖1-18：可能的線性模型

在使用模型之前，需要先定義參數(shù)θ0和? θ1的值。怎么才能知道什么值可以使得模型表現(xiàn)最佳呢？要回答這個問題，需要先確定怎么衡量模型的性能表現(xiàn)。要么定義一個效用函數(shù)（或適應(yīng)度函數(shù)）來衡量模型有多好，要么定義一個成本函數(shù)來衡量模型有多差。

對于線性回歸問題，通常的選擇是使用成本函數(shù)來衡量線性模型的預(yù)測與訓(xùn)練實例之間的差距，目的在于盡量使這個差距最小化。

這正是線性回歸算法的意義所在：通過你提供的訓(xùn)練樣本，找出最符合所提供數(shù)據(jù)的線性模型的參數(shù)，這就是訓(xùn)練模型的過程。在我們這個案例中，算法找到的最優(yōu)參數(shù)值為θ₀ = 4.85，θ₁ = 4.91× 10^-5

現(xiàn)在，模型基本接近訓(xùn)練數(shù)據(jù)（對于線性模型而言），如圖1-19所示。

▲圖1-19：對訓(xùn)練數(shù)據(jù)擬合最佳的線性模型

現(xiàn)在終于可以運用模型來進行預(yù)測了。例如，你想知道塞浦路斯的人民有多幸福，但是經(jīng)合組織的數(shù)據(jù)沒有提供答案。幸好你有這個模型可以做出預(yù)測：先查查塞浦路斯的人均GDP是多少，22,587美元，然后應(yīng)用到模型中，發(fā)現(xiàn)生活滿意度可能在4.85 + 22587 × 4.91 × 10^-5 = 5.96。

為了激發(fā)你的興趣，下面的示例是一段加載數(shù)據(jù)的Python代碼，包括準備數(shù)據(jù)，創(chuàng)建一個可視化的散點圖，然后訓(xùn)練線性模型并作出預(yù)測。

示例：使用Scikit-Learn訓(xùn)練并運行一個線性模型

import?matplotlibimport?matplotlib.pyplot?as?pltimport?numpy?as?npimport?pandas?as?pdimport?sklearn?#?Load?the?dataoecd_bli?=?pd.read_csv("oecd_bli_2015.csv",?thousands=',')gdp_per_capita?=?pd.read_csv("gdp_per_capita.csv",thousands=',',delimiter='\t',?????????????????????????encoding='latin1',?na_values="n/a")?#?Prepare?the?datacountry_stats?=?prepare_country_stats(oecd_bli,?gdp_per_capita)X?=?np.c_[country_stats["GDP?per?capita"]]y?=?np.c_[country_stats["Life?satisfaction"]]?#?Visualize?the?datacountry_stats.plot(kind='scatter',?x="GDP?per?capita",?y='Life?satisfaction')plt.show()?#?Select?a?linear?modellin_reg_model?=?sklearn.linear_model.LinearRegression()?#?Train?the?modellin_reg_model.fit(X,?y)?#?Make?a?prediction?for?CyprusX_new?=?[[22587]]??#?Cyprus'?GDP?per?capitaprint(lin_reg_model.predict(X_new))?#?outputs?[[?5.96242338]]

如果使用基于實例的學(xué)習算法，那么你會發(fā)現(xiàn)斯洛文尼亞的人均GDP最接近塞浦路斯（20,732美元），而經(jīng)合組織的數(shù)據(jù)告訴我們，斯洛文尼亞人民的生活滿意度是5.7，因此你很可能會預(yù)測塞浦路斯的生活滿意度為5.7。

如果稍微拉遠一些，看看兩個與之最接近的國家——葡萄牙和西班牙的生活滿意度分別為5.1和6.5。取這三個數(shù)值的平均值，得到5.77，這也非常接近你基于模型預(yù)測所得的值。這個簡單的算法被稱為k-近臨回歸算法（在本例中，k = 3）。

要將前面代碼中的線性回歸模型替換為k-近臨回歸模型非常簡單，只需要將下面這行代碼：

clf?=?sklearn.linear_model.LinearRegression()

替換為：

clf?=?sklearn.neighbors.KNeighborsRegressor(n_neighbors=3)

如果一切順利，你的模型將能做出很棒的預(yù)測。如果不行，你可能需要使用更多的屬性（例如就業(yè)率、健康、空氣污染等等），或者是獲得更多或更高質(zhì)量的訓(xùn)練數(shù)據(jù)，再或者是選擇一個更強大的模型（例如，多項式回歸模型）。

簡而言之：

• 學(xué)習數(shù)據(jù)。

• 選擇模型。

• 使用訓(xùn)練數(shù)據(jù)進行訓(xùn)練（即前面學(xué)習算法搜索模型參數(shù)值，從而使成本函數(shù)最小化的過程）。

• 最后，應(yīng)用模型對新示例進行預(yù)測（這稱之為推斷），祈禱模型的泛化結(jié)果不錯。

以上就是一個典型的機器學(xué)習項目。到目前為止，我們已經(jīng)介紹了多個領(lǐng)域，你已經(jīng)知道了機器學(xué)習系統(tǒng)最常見的類別有哪些，以及典型的項目工作流程。

關(guān)于作者：奧雷利安·杰龍（Aurélien Géron）是機器學(xué)習方面的顧問。他曾是Google軟件工程師，在2013年到2016年主導(dǎo)了YouTube視頻分類工程。2002年和2012年，他還是Wifirst公司（一家法國的無線ISP）的創(chuàng)始人和首席技術(shù)官，2001年是Ployconseil公司（現(xiàn)在管理電動汽車共享服務(wù)Autolib）的創(chuàng)始人和首席技術(shù)官。

本文摘編自《機器學(xué)習實戰(zhàn)：基于Scikit-Learn和TensorFlow》，經(jīng)出版方授權(quán)發(fā)布。

延伸閱讀《機器學(xué)習實戰(zhàn)》

點擊上圖了解及購買

轉(zhuǎn)載請聯(lián)系微信：togo-maruko

推薦語：前谷歌工程師撰寫，“美亞”人工智能圖書暢銷榜首圖書 從實踐出發(fā)，手把手教你從零開始搭建起一個神經(jīng)網(wǎng)絡(luò)。

據(jù)統(tǒng)計，99%的大咖都完成了這個神操作

▼

更多精彩

在公眾號后臺對話框輸入以下關(guān)鍵詞

查看更多優(yōu)質(zhì)內(nèi)容！

PPT?|?報告?|?讀書?|?書單

Python?|?機器學(xué)習?|?深度學(xué)習?|?神經(jīng)網(wǎng)絡(luò)

區(qū)塊鏈?|?揭秘?|?干貨?|?數(shù)學(xué)

猜你想看

• 干掉圍棋九段后，可定制計算能讓AI打敗程序員和芯片工程師嗎？
  

• 揭秘“21世紀最性感的職業(yè)”：數(shù)學(xué)、編程、溝通和商業(yè)技能一個都不能少！
  

• 一文讀懂量子計算機的前世今生，它的未來人類連想都不敢想
  

• 如何科學(xué)地評價妹子身材？三圍符合黃金比例是審美標準？你錯了！
  

Q:?這些分類你都應(yīng)用過哪些？

歡迎留言與大家分享

覺得不錯，請把這篇文章分享給你的朋友

轉(zhuǎn)載 / 投稿請聯(lián)系：baiyu@hzbook.com

更多精彩，請在后臺點擊“歷史文章”查看

點擊閱讀原文，了解更多

總結(jié)

以上是生活随笔為你收集整理的最全机器学习种类讲解：监督、无监督、在线和批量学习都讲明白了的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。