Overview

栏目组织#

机器学习栏目按概念关系组织为：

• 监督学习：利用带标签数据学习预测或分类模型。
• 特征工程：数据表示、特征构造与选择等建模流程。
• 神经网络：一类模型与训练方法，包括浅层和深层网络。
  • 深度学习：以多层神经网络为核心的方法与模型。
• 强化学习：以奖励信号和序贯决策为核心的学习范式。
• 应用与任务：按实际问题组织的机器学习专题。
  • 推荐系统：面向个性化推荐与排序的系统方向。
• 学习资料：教材、书籍与学习笔记。

模型类别、学习范式、建模流程与应用任务是不同维度：例如强化学习可以使用神经网络作为函数逼近器，形成深度强化学习；因此栏目按主要学习入口归档，而非将它们视为互斥概念。

参考资料#

如何快速入门机器学习

如何用3个月零基础入门「机器学习」？

《机器学习系统：设计和实现》：做世界上第一本全面讲述机器学习系统知识的开源书籍
https://openmlsys.github.io/

微软出品的 AI 教程：System for AI Education Resource.
https://github.com/microsoft/AI-System

《动手学习深度学习》
https://zh.d2l.ai/

https://github.com/MorvanZhou/tutorials

机器学习概念#

模型和模式#

模型，全局性结果（例如一棵决策树）；模式，局部性结果（例如一条规则）。

智能数据分析。

监督学习#

回归#

分类#

标记问题#

决策树#

向量支持机#

贝叶斯过滤#

无监督学习#

聚类#

强化学习#

模型#

参数模型与非参数模型描述模型的参数化方式；监督学习、无监督学习和强化学习则描述学习范式，两组分类并不互斥。

参数模型#

常见的参数机器学习模型又：

1. 逻辑回归
2. 线性成分分析
3. 感知机
4. 朴素贝叶斯
5. 神经网络

非参数模型#

常见的非参数机器学习模型有：

1. 决策树
2. 支持向量机（使用核函数时通常视为非参数模型）