machine learning overview understanding

机器学习是人工智能的一个子领域。该技术旨在通过分析数据来生成洞察。机器学习可以通过多种标准进行分类。其中包括监督学习、无监督学习以及强化学习等。

一、按学习方式分类

监督学习（Supervised Learning） * 定义：基于标注数据集训练模型以进行预测的任务。
* 核心特征：通过包含输入特征变量和对应标签的目标数据集进行模型训练。
* 主要目标：构建一个能够准确估计新数据输出结果的预测模型。
* 典型应用场景：分类（如垃圾邮件识别）与回归（如房价预测）。
* 常用算法：支持向量机（SVM）、k-近邻分类器（k-NN）、决策树、随机森林、贝叶斯分类器、神经网络等。
2. 无监督学习（Unsupervised Learning） * 定义：在未标记的数据上发现数据内在结构的学习过程。
* 主要目标：识别数据中的潜在模式或分布规律。
* 常见应用领域：聚类分析（如客户细分）、降维技术（如主成分分析）与异常检测。
* 主要算法：k均值聚类、层次聚类、DBSCAN、高斯混合模型（GMM）、主成分分析（PCA）等。
3. 强化学习（Reinforcement Learning） * 定义：智能