人工智能概述（3）：机器学习分类
机器学习（英文名 Machine Learning，ML） 是 人工智能 中的 一个重要研究领域和分支。
本文试着对 机器学习领域的算法 做一个简单的梳理（基于各种博文信息），以便为后续的学习找到路径。
分类角度
机器学习 包含很多 研究方法或算法，要对这些算法进行分类 是相当复杂的。
在 【百科百科：机器学习】 中，提供了 5个 分类角度：
| 基于学习策略的分类 基于学习方法的分类 基于学习方式的分类 基于数据形式的分类 基于学习目标的分类 |
其中，按照【基于学习方式的分类】，可以分为3类：
--
这种分类方式是 最常见的，参考资料#2 中也有这样的分类方法。
参考资料#3 中介绍了 3个算法分类的角度：
|
生成与判别 参数与非参数 监督与非监督 |
对于上面的分类方式，作者提到：
| 然而，就实践经验来看，这些都不是实战过程中最有效的分类算法的方式。 |
于是，参考资料#3 还从3大方向对机器学习算法进行了介绍——基于机器学习任务来分类：
|
分类 回归 聚类 |
为什么要对机器学习算法进行分类？
算法很多（具体所少？）。
针对具体问题（任务）选择算法时，需要考虑可行性、效率、算法配合等问题。
因此，通过分类，可以提高选择合适 算法或算法组合 的效率，加快入门的角度。
基于学习方式的分类
前面展示了，这种方式可以分为3类：监督学习，无监督学习，强化学习。
注，还有文章里面多了：半监督学习，主动学习 等。
各个分类中的算法整理如下。
监督学习
--
无监督学习
--
强化学习
--
疑问：深度学习怎么不在这个分类里面呢？
从机器学习任务的角度分类
基于 参考资料#3 进行整理，在 参考资料#5 中还出现了 降维 任务。
回归方法
--
分类方法
--
聚类方法
--
深度学习
热门的 深度学习 属于 要怎么分类呢？从前面的可以看到，它可以 做 分类、聚类 任务。
但它和 监督学习、无监督学习、强化学习 有什么关系呢？
或者，它是 各种学习方法的 集大成者。
--
从上面的脑图可以看出，深度学习 还可以细分为 5类——应该还有更多方法存在于公司、实验室等。
关于 深度学习和强化学习 的对比，大家可以看看 参考资料#6。
传统机器学习方法
机器学习从20世纪50年代（甚至更早）就开始了，期间涉及到很多的机器学习方法。从现在的视角来看，这些方法可以成为传统机器学习方法。
列举如下：
|
决策树 随机森林 线性回归 逻辑回归 SVM 朴素贝叶斯 K最近邻算法 K均值算法 …… |
上面的方法，在前面的介绍中其实已经出现过了。
复盘小结
初步完成了 机器学习分类 的梳理，包括 热门的 强化学习、深度学习 等。
其中，参考资料#3、参考资料#5 提供了很好的分类角度，从这个 任务（应用） 的角度出发，可以更好地开展相关学习工作，比如，先解决个 分类、聚类 问题。
不过，之前还听说过 联邦学习、迁移学习 啥的，这些也属于机器学习的范畴吗？TODO
---END---
特别说明，
1）本文引用了很多博文链接，如有侵权，请通知；
2）作者水平非常有限，如有错漏，非常欢迎不吝指正。
本文链接：
https://www.cnblogs.com/luo630/p/17457514.html
参考资料
1、百度百科：机器学习
2、知乎：Machine Learning: 十大机器学习算法
by RiboseYim
发布于 2018-02-13 01:21
https://zhuanlan.zhihu.com/p/33794257
by 键盘上的舞者
发布于 2020-11-11 17:16
https://zhuanlan.zhihu.com/p/285941609
by 伯山
发布于 2020-07-14 20:06
https://zhuanlan.zhihu.com/p/159323858
by 为谁攀登
于 2020-04-12 10:21:37 发布
原文链接：https://blog.csdn.net/shaixinxin/article/details/105465220
6、机器学习、监督学习、非监督学习、强化学习、深度学习、迁移学习
by 羊肉串串魅力无穷
于 2018-12-01 22:14:57 发布
原文链接：https://blog.csdn.net/lk3030/article/details/84678496
7、
ben发布于博客园
