以下不属于机器学习的内容有

大家好,小讯来为大家解答以上的问题。以下不属于机器学习的内容有这个很多人还不知道,现在让我们一起来看看吧！

1、目前机器学习主流分为：监督学习，无监督学习，强化学习。

2、监督学习：监督学习可分为“回归”和“分类”问题。

3、在回归问题中，我们会预测一个连续值。

4、也就是说我们试图将输入变量和输出用一个连续函数对应起来；而在分类问题中，我们会预测一个离散值，我们试图将输入变量与离散的类别对应起来。

5、每个数据点都会获得标注，如类别标签或与数值相关的标签。

6、一个类别标签的例子：将图片分类为「苹果」或「橘子」；数值标签的例子如：预测一套二手房的售价。

7、监督学习的目的是通过学习许多有标签的样本，然后对新的数据做出预测。

8、例如，准确识别新照片上的水果（分类）或者预测二手房的售价（回归）。

9、无监督学习：在无监督学习中，我们基本上不知道结果会是什么样子，但我们可以通过聚类的方式从数据中提取一个特殊的结构。

10、在无监督学习中给定的数据是和监督学习中给定的数据是不一样的。

11、数据点没有相关的标签。

12、相反，无监督学习算法的目标是以某种方式组织数据，然后找出数据中存在的内在结构。

13、这包括将数据进行聚类，或者找到更简单的方式处理复杂数据，使复杂数据看起来更简单。

14、强化学习：Alphago用的就是强化学习，强化学习是一种学习模型，它并不会直接给你解决方案——你要通过试错去找到解决方案。

15、强化学习不需要标签，你选择的行动（move）越好，得到的反馈越多，所以你能通过执行这些行动看是输是赢来学习下围棋，不需要有人告诉你什么是好的行动什么是坏的行动。

16、给我影响最深的就是参加混沌大学的线下课，是AI的重量级人物Michael I. Jordan讲的，其中有一段视频是一个模拟的人，利用强化学习的算法，从站不起来到最后能够正常跑步的过程，而且真正实现的代码连100行都不到，一页ppt而已。

17、总结：目前用到最多是监督学习和无监督学习，尤其是监督学习，因为应用场景多能给公司创造直接价值，如果找工作可以多关注。

18、但是强化学习是未来，因为能学习到的能力没有数据限制。

本文到此分享完毕，希望对大家有所帮助。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！