序言
本文参考到没参考到的内容都挺多。
- Hinton coursera《neural network for machine learning》第一周第五个视频
- Andrew Ng在斯坦福的cs229， cs229
- 李航《统计学习方法》
专业水平、 写作水平都很次，若有意见或建议， 欢迎通过下方微博或邮箱联系。
原则上，上一篇讲的是 机器学习定义
这一篇将向各位介绍机器学习的主要类型。
原则上从什么开始？
A. 问题
B. 定义
C. 故事
D. 历史
不是每个东西都能启发的
个人认为，对一个领域进行分门别类 需要较高、较深的专业知识水平，有了足够的问题、知识，进行归纳、分类，这是我个人理解的做法。
但一般教材都没这么做，直接把各种分类一股脑地列出来，因为也确实做不到，不可能列出足够的例子，慢慢地归纳出各类的特点。 并且，分类的方式可能多种多样， 往往不存在唯一的权威分类方式。
所以这块的教程写起来就会比较难，读者也不是很有体会。
所以，我要尝试做到更自然地从定义来预测大概有些什么问题，可以划分哪些类别。也算是锻炼了直觉、 猜测的能力。
还记得， 机器学习的起因、经过、结果吧？
起因：某些方面不够好，经过：从数据中使用某些方法学习到经验，结果：提高了性能、准确率、知识等等。
哪总分的特点可作为分类依据？
A. 起因
B. 经过
C. 结果
那又如何？
从数据中使用某些方法学习到经验， 这句话能有什么特点？
学完机器学习，也许 我们可以在方法上进行分类（我也没学完，所以瞎分一下）——线性、非线性、核方法；最优、非最优；树状、网状、线状；单挑、群殴。 但是，我们还什么都没学呢， 怎么分？ 也许以后值得一试，但现在没法。
那我们只能看“数据”了，分成图像、文本、 数字（整数、虚数）？估计也是一种方案——不过肯定得不到大家的认可。
数据有什么不一样的呢？ 肯定又要从人类的日常汲取养分了。 那人最早是怎么学习的？
写写你的想法
一种学习
是不是父母指着一个东西说这是什么？
但是不是所有的学习都是这样呢？填是或你认为的其他学习方式。
反馈学习
我现在不知道你填了什么~~~不好意思。
除了父母、课本明确指明对象的名字、标签的学习外，还有种反馈学习，什么时候会有反馈、反馈是对是错都不知道， 但反馈对之后的行动又非常重要。
就好比你在恋爱，你自以为体贴周到，可从对象那里什么时候会有反馈、 什么样的反馈、甚至是否能正确理解，如何能从对象那里持续获得反馈、而且都是真正的积极反馈（你们相处得很好），这就是恋爱的学习了~~~
那我们现在就有两类学习：
- 有明确、及时的标签。
- 有不一定及时、完全不明确的反馈。
还有没有其他可能？
A. 有
B. 没有
还有什么？
还有
- 有明确、及时的标签。
- 有不一定及时、完全不明确的反馈。
那肯定还有个， 完全无标签、 完全无反馈的学习。
想想， 人什么时候这样学习过呢？没头没脑地一堆数据扔给你， 什么解释都没有， 这种学习形式应该是比较少的。
你能想到这种例子吗？
为什么少？
个人感觉就是对人而言， 学习还是要有个明确的、形式化的描述，模糊、朦胧的感知很难达到学习、提升的效果。
比如说机器学习里需要的聚类， 人手工也能聚， 但你说能从中学到些啥说不清楚， 假设班级中，人以类聚，但说不清楚。
至于数据降维就更是没几个人自己弄过——求特征值、特征量，但没拿来用过。
所以这种学习形式不难理解， 就是亲自尝试、有体会的不多。
还有其他类型吗？
A. 有
B. 没有
总结
我们总结出了三种
- 有明确、及时的标签的学习。
- 有不一定及时、完全不明确的反馈的学习。
- 完全无标签、 无反馈的学习。
这就是机器学习的三种类型：
- 监督学习： 有标签的数据的学习
- 无监督学习： 没有标签的数据的学习
- 强化学习： 有反馈影响行为的学习
基础概念给出了， 接下来本应给出数学抽象， 统一数学符号，但因为看的内容来源不一， 符号并不统一， 我也未能完全消化领会， 所以，哪里需要数学化，就补哪里了。
