650      阿裏雲  技術社區[雲棲]

《構建實時機器學習係統》一1.3　機器學習領域分類

1.3　機器學習領域分類

從方法論的角度來講，機器學習分為監督式學習、非監督式學習和新興機器學習課題三大方麵。
1. 監督式學習
監督式機器學習的主要任務是通過機器學習模型和已有信息，對感興趣的變量進行預測，或者對相關對象進行分類。監督式機器學習的一些應用場景包括：對網頁訪問進行分類，通過聲音、文字、表情等信息對用戶心情進行判斷，對天氣進行預測等。常用的監督式機器學習方法包括線性模型、最近鄰估計、神經網絡、決策樹等。最近特別火熱的深度學習在圖像分類等場景的應用也是監督式學習的一種。
2. 非監督式學習
非監督式學習的主要任務是對數據進行描述。在非監督式學習的應用場景中，所有變量幾乎都處於同等地位，不存在一個需要進行預測和分類的目標。故此非監督式學習主要用於機器學習建模前期對數據的分析和可視化處理，其在生產環境中的應用較少。非監督式學習的主要方法包括聚類分析、隱含因子分析等。
3. 新興的機器學習課題
最近五年，強化學習 （reinforcement learning）領域在深度學習的帶領下得到了飛速的發展。強化學習旨在通過對實際事件的觀察得到行為優化的結論，例如，AlphaGo 通過強化學習優化下圍棋的策略。到目前為止，強化學習暫時還主要停留在學院派研究中，實際應用暫時有限。
本書將著重講述機器學習方法在實時場景中的應用，我們將會簡要介紹主流監督式學習的方法和應用。另外值得一提的是，在 IT 工業界應用中，自然語義處理、推薦係統和搜索引擎由於其專業領域深度和應用的難度，在各種文獻中它們往往被列為獨立的大方向。本書的第9章和第12章會對自然語言的處理進行簡單的介紹。

最後更新：2017-09-19 10:03:24

  上一篇：  《構建實時機器學習係統》一1.4　實時是個“萬靈丹”

  下一篇：  18年前入職阿裏的那些外國人，後來怎麼樣了？