七個(gè)典型的機(jī)器學(xué)習(xí)任務(wù)

典型的通過(guò)機(jī)器學(xué)習(xí)要解決的具體問(wèn)題，可以分為七類

分類任務(wù)是指將數(shù)據(jù)分為不同的類別，分類前已知要分為幾類（如下面的信用評(píng)分的二分類，將所有的客戶分為優(yōu)質(zhì)客戶和普通客戶）

回歸任務(wù)是指預(yù)測(cè)數(shù)值型數(shù)據(jù)，

聚類任務(wù)是指將數(shù)據(jù)分為不同的簇，分類前不知道要分幾類。以數(shù)據(jù)的實(shí)際情況來(lái)決定最后如何分類，分幾類。

排名，數(shù)據(jù)按固有的排名重新排序

密度估計(jì)是指在機(jī)器學(xué)習(xí)任務(wù)中，通過(guò)已有的數(shù)據(jù)，估計(jì)出數(shù)據(jù)的概率密度函數(shù)，從而對(duì)新的數(shù)據(jù)進(jìn)行分類或者回歸1。常見(jiàn)的密度估計(jì)方法有參數(shù)估計(jì)和非參數(shù)估計(jì)兩種2。其中，非參數(shù)估計(jì)方法包括直方圖法、核密度估計(jì)法等3。

降維任務(wù)是指將高維數(shù)據(jù)映射到低維空間中。

優(yōu)化，主要指優(yōu)化性能和算法、模型

機(jī)器學(xué)習(xí)的學(xué)習(xí)范式主要指有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)1。其中，有監(jiān)督學(xué)習(xí)是指在訓(xùn)練數(shù)據(jù)中給出了正確的標(biāo)簽，模型通過(guò)學(xué)習(xí)這些標(biāo)簽來(lái)預(yù)測(cè)新數(shù)據(jù)的標(biāo)簽；無(wú)監(jiān)督學(xué)習(xí)是指在訓(xùn)練數(shù)據(jù)中沒(méi)有給出正確的標(biāo)簽，模型通過(guò)學(xué)習(xí)數(shù)據(jù)本身的特征來(lái)發(fā)現(xiàn)數(shù)據(jù)中的規(guī)律；半監(jiān)督學(xué)習(xí)是指在訓(xùn)練數(shù)據(jù)中只有部分?jǐn)?shù)據(jù)有正確的標(biāo)簽，模型通過(guò)學(xué)習(xí)這些標(biāo)簽和數(shù)據(jù)本身的特征來(lái)預(yù)測(cè)新數(shù)據(jù)的標(biāo)簽1。

通過(guò)reward，來(lái)優(yōu)化性能

機(jī)器學(xué)習(xí)的學(xué)習(xí)模型是指在經(jīng)過(guò)訓(xùn)練后可以識(shí)別特定類型的模式的文件1。訓(xùn)練模型就是用已有的數(shù)據(jù)，通過(guò)一些方法（最優(yōu)化或者其他方法）確定函數(shù)的參數(shù)，參數(shù)確定后的函數(shù)就是訓(xùn)練的結(jié)果，使用模型就是把新的數(shù)據(jù)代入函數(shù)求值23。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，簡(jiǎn)稱CNN）是一種具有局部連接、權(quán)值共享等特點(diǎn)的深度前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)的代表算法之一，擅長(zhǎng)處理圖像特別是圖像識(shí)別等相關(guān)機(jī)器學(xué)習(xí)問(wèn)題，比如圖像分類、目標(biāo)檢測(cè)、圖像分割等各種視覺(jué)任務(wù)中都有顯著的提升效果1。

CNN卷積神經(jīng)網(wǎng)絡(luò)最重要的核心在于賦權(quán)，及權(quán)值的全局可調(diào)整性。

CNN的結(jié)構(gòu)可以分為3層：

卷積層(Convolutional Layer) - 主要作用是提取特征。?

池化層(Max Pooling Layer) - 主要作用是下采樣(downsampling)，卻不會(huì)損壞識(shí)別結(jié)果。

全連接層(Fully Connected Layer) - 主要作用是分類2。