监督学习 & 无监督学习 & 强化学习

• 监督学习需要标记数据，而无监督学习则不用，主要是通过聚类分析来实现

• 除了监督学习与无监督学习以外，还有强化学习reinforcement learning，AlphaGo就是强化学习的代表作，但是强化学习在应用上暂时没有太多突出表现

• 目前工业界的应用，大多数采用的是监督学习

监督学习

可以分为回归问题和分类问题

回归问题：输出连续性变量，如：温度，身高，股价

分类问题：输出定性结果，如：好和坏，主题

特征与标签

例子：

数据集Dataset包含了4个样本samples，每个样本拥有3个特征，分布是“语文”、“数学”、“英语”，和一个类别标签“总体”，标签分为了4种，所以这是个四分类的问题。

于是，数据集可以表示为

X叫做特征的向量，Y是标签，R4是向量的维度，也就是包含了4个特征数量，{0,1,2,3} 代表4种标签,分别为“优秀、良好、及格、不及格”。

数据预处理

数据预处理往往是最重要的一步，以后再介绍。

数据可视化

数据可视化可以非常直观地把数据展示在二维或者三维空间当中。通过可视化，可以直观地观察到数据的分布特征，是否有异常值，特征值是否满足某一类分布的情况。但是，如果数据的特征维度很高，可视化化是不大合适的，因此，数据的降维是经常采用的方法，例如把20维降到2维或者3维的空间。最经典的一种降维方法叫做主成分分析PCA。

训练数据&测试数据

获得的数据分为训练数据和测试数据，顾名思义，训练数据用于训练模型，而测试数据用于测试模型的好坏。测试数据是不能用于训练模型当中的，仅用于测试。