1.3　機器學習可以解決的問題

大多數(shù)機器學習問題屬于以下3個主要類別之一：

• 在監(jiān)督學習中，我們有一個數(shù)據(jù)點的標簽。目前，這個標簽可以是圖像中捕獲的一個對象的類、一張臉周圍的邊框、圖像中出現(xiàn)的數(shù)字，或其他任何內(nèi)容。把監(jiān)督學習想象成老師，它不僅教你學習，而且還告訴你一個問題的正確答案。此時，學生可以嘗試設計一個把所有問題及其正確答案都考慮進去的模型或方程，并找到一個問題的答案——該問題有（或沒有）正確答案。用于學習模型的數(shù)據(jù)稱為訓練數(shù)據(jù)，用于測試過程/模型的數(shù)據(jù)稱為測試數(shù)據(jù)。這些預測有兩種類型，例如：識別新圖片有正確的動物（稱為分類問題），或為其他二手車設定準確的銷售價格（稱為回歸問題）。如果現(xiàn)在這對你來說看起來有點難的話，不必擔心——我們將在本書中進行詳細的介紹。
• 在無監(jiān)督學習中，沒有與數(shù)據(jù)點相關的標簽（第8章）。考慮無監(jiān)督學習就像在課堂上，老師給你一個復雜的難題，讓你自己去求解。此處，最常見的結果就是集群，包含具有相似特征的對象。無監(jiān)督學習還可以以不同的方式查看更高維的數(shù)據(jù)（復雜數(shù)據(jù)），使其看起來更簡單。
• 強化學習是有關最大化回報的一個問題。因此，如果你每答對一個題老師就給你一塊糖，每答錯一個題，老師就懲罰你，那么他是通過增加你收到糖果的次數(shù)而不是增加懲罰你的次數(shù)來強化這些概念。

機器學習問題的3個主要類別如圖1-2所示。

圖1-2　機器學習問題的3個主要類別

既然我們已經(jīng)介紹了機器學習的主要類別，就讓我們重溫一下Python中的一些概念吧，在本書的學習過程中，這些內(nèi)容非常有用。