想要机器学习不“短路”？你需要这些套路！

你知道么？机器学习的算法虽然在不断发展演变，但万变不离其宗，在大部分情况下，所有这些算法都可以划分为 3 类：监督学习、无监督学习和强化学习。

监督学习，可以提供反馈来表明预测正确与否，适用于学习一个已经分类的数据集的映射函数。
在监督学习中，数据集包含其目标输出（或标签），以便函数能够计算给定预测的误差。在做出预测并生成（实际结果与目标结果的）误差时，会引入监督来调节函数并学习这一映射。
无监督学习，可基于数据中的一些隐藏特征对未标记的数据集进行分类。
在无监督学习中，数据集不包含目标输出，因此无法监督函数。函数尝试将数据集划分为“类”，以便每个类都包含数据集的具有共同特征的一部分。
强化学习，与监督学习类似，也可以接收反馈，通过反复探索某个不确定的环境，学习该环境中的决策制定策略。
在强化学习中，算法尝试学习一些操作，以便获得导致目标状态的一组给定状态。误差不会在每个示例后提供（就像监督学习一样），而是在收到强化信号（比如达到目标状态）后提供。此行为类似于人类学习，仅在给予奖励时为所有操作提供必要反馈。

强化学习已经类似于人类学习了？逆天了我的机器！请跟小编一起凌乱30秒。。。

点击“阅读原文”，
深入了解机器学习的每种模型及其关键算法，
毕竟知己知彼才能百战百胜啊~