监督学习与非监督学习与强化学习-- 机器学习的三个主要类别。本文将讨论为什么要划定这些界限，以及这些界限是什么样子的。这方面的知识是正确理解机器学习并能够以有意义的方式将其应用于数据的基本部分。
监督式学习与无监督式学习与强化式学习-- 机器学习分类
机器学习是人工智能的一个分支。人工智能涉及人工智能的运作，并将其与人脑的运作相比较，而机器学习是模式识别的数学方法的集合。如果你想了解更多关于机器学习、人工智能和深度学习之间的区别，请阅读我们关于这个问题的文章。IT系统应该被赋予自动学习经验和改进的能力。算法在这里发挥着核心作用。这些可以被分为不同的学习类别。
在下面的数字中，显示了机器学习方法的三个主要类别：
监督式与非监督式与强化学习--机器学习的背景
同时，还有很多类别，其中一些是个别主要类别的混合体。一个例子是半监督学习。这当然也是一个主要的机器学习主题，但为了简单起见，我们暂时不谈。
什么是监督式学习？
在监督学习中，机器学习算法会反复学习数据点之间的依赖关系。要学习的输出是事先指定的，学习过程是通过匹配预测进行监督的。如何 优化的算法是将学到的模式应用于未知数据，以进行预测。
监督式学习与非监督式学习与强化式学习--监督式学习
监督学习方法可以应用于回归，即预测，或趋势预测，以及分类问题。
什么是监督下的分类？
在分类中，为了以有意义的方式对数据进行界定和排序，形成了抽象的类。为此，对象是在某些类似特征的基础上获得的，并在彼此之间进行结构化。
决策树可以作为预测模型来创建一个层次结构，或者可以将特征值作为类标签并以向量的形式分配。
在下图中，列出了最重要的监督分类算法：
监督式学习与无监督式学习与强化式学习--监督式学习的主要算法。
什么是监督式回归？
另一方面，有监督的回归算法可以用来进行预测，推断自变量和因变量之间的因果关系。
例如，线性回归可以用来将数据拟合为一条直线，或者反过来，将一条直线拟合为数据对象。
我们在本文中已经讨论了线性回归的具体过程。
什么是无监督学习？
在无监督学习中，在不知道初始模式和关系的情况下确定数据中的模式。
特别是在复杂的任务中，这些方法可以用来寻找人工难以解决的问题。一个例子是自动驾驶，或有许多相互作用的大型生化系统。
成功的关键之一是庞大的数据集。可用的数据越多，可以创建的模型就越准确。
在无监督的机器学习方法中，可以区分两个基本原则，这也是对所用算法的分类。=
什么是无监督的聚类？
无监督聚类的主要目标是创建数据元素的集合，这些元素彼此相似，但与其他聚类的元素不同。聚类算法的不同主要体现在聚类的创建过程中，也体现在对这种聚类的定义上。因此，也可以利用聚类之间的关系，探索层次关系。
什么是无监督的降维？
在有大量特征的情况下，高维关系可以通过这些转化方法转化为低维。其目的是使信息的损失尽可能小。
降维方法可以分为两个主要类别。来自线性代数和流形学习的方法。
流形学习是一种非线性降维的方法。这个任务的算法是基于这样的想法：它们可以在没有给定分类的情况下学习数据的维度，并以低维的方式进行投影。
例如，从线性代数领域来看，矩阵分解方法可用于降维。
什么是强化学习？
在强化学习中，一个程序，即所谓的代理，应该独立开发一个策略，在环境中执行行动。为此，传达了积极或消极的强化信息，这些信息描述了代理与环境的互动关系。换句话说，对已执行的任务进行即时反馈。该程序应最大限度地增加奖励或减少惩罚。环境是代理人必须探索的一种模拟场景。
强化学习有两种基本类型。
即，环境是否基于模型。
在基于模型的RL中，代理人在学习或行动期间使用对环境反应的预测。
如果没有模型，则通过试验和错误产生数据。
