机器学习的本质是什么?原来机器学习还可以这样分类!

在这篇文章中，小编将对机器学习的相关内容和情况加以介绍以帮助大家增进对机器学习的了解程度，和小编一起来阅读以下内容吧。

一、机器学习的本质是什么

机器学习方法本质上是人类认知方式的新世界，是人类的未来。工业革命解放了人类的体力，以机器学习技术逐步解锁的人工智能革命将解放人类的脑力。这不是技术层面上的进步，而是从根本上改变人类认知世界的方式。

长久以来，人类对事物的认知经由三个步骤：原始数据——专业知识/经验常识——认知。长久以来，人类对事物的认知经由三个步骤：原始数据——专业知识/经验常识——认知。

面对同样的原始数据(股市数据，仪表指数，社会现象等)，拥有不同知识的人将得出不同的认知;同样，拥有相同知识的人，面对没有数据、有少量数据、有大量数据以及有充分数据等不同情况时，也将得出不同的认知(信息均等博弈，信息不对称博弈)。

那么究竟是知识重要还是数据重要?在人类历史很长一段时间内，无疑是知识的拥有者占据了上风。而机器学习方法的出现，则将这个趋势彻底扭转。或许，“知识”未来将一文不值，而“数据”，才是价值连城。

机器学习的本质，就在于建立了(原始数据——认知)之间的直接映射，跳出了“知识”的束缚。从此，人类的认知方式改天换地。因为，从此我们或许再也不需要那冗桎的“知识”。

二、机器学习可以这样分类

(一)基于学习方法的分类

(1)归纳学习

符号归纳学习：典型的符号归纳学习有示例学习、决策树学习。

函数归纳学习(发现学习)：典型的函数归纳学习有神经网络学习、示例学习、发现学习、统计学习。

(2)演绎学习

(3)类比学习：典型的类比学习有案例(范例)学习。

(4)分析学习：典型的分析学习有解释学习、宏操作学习。

(二)基于学习方式的分类

(1)监督学习(有导师学习)：输入数据中有导师信号，以概率函数、代数函数或人工神经网络为基函数模型，采用迭代计算方法，学习结果为函数。

(2)无监督学习(无导师学习)：输入数据中无导师信号，采用聚类方法，学习结果为类别。典型的无导师学习有发现学习、聚类、竞争学习等。

(3)强化学习(增强学习)：以环境反馈(奖/惩信号)作为输入，以统计和动态规划技术为指导的一种学习方法。

(三)基于数据形式的分类

(1)结构化学习：以结构化数据为输入，以数值计算或符号推演为方法。典型的结构化学习有神经网络学习、统计学习、决策树学习、规则学习。

(2)非结构化学习：以非结构化数据为输入，典型的非结构化学习有类比学习案例学习、解释学习、文本挖掘、图像挖掘、Web挖掘等。

(四)基于学习目标的分类

(1)概念学习：学习的目标和结果为概念，或者说是为了获得概念的学习。典型的概念学习主要有示例学习。

(2)规则学习：学习的目标和结果为规则，或者为了获得规则的学习。典型规则学习主要有决策树学习。

(3)函数学习：学习的目标和结果为函数，或者说是为了获得函数的学习。典型函数学习主要有神经网络学习。

(4)类别学习：学习的目标和结果为对象类，或者说是为了获得类别的学习。典型类别学习主要有聚类分析。

(5)贝叶斯网络学习：学习的目标和结果是贝叶斯网络，或者说是为了获得贝叶斯网络的一种学习。其又可分为结构学习和多数学习。

以上所有内容便是小编此次为大家带来的有关机器学习的所有介绍，如果你想了解更多有关机器学习的内容，不妨在我们网站或者百度、google进行探索哦。