機器學(xué)習(xí)是一幫計算機科學(xué)家想讓計算機像人一樣思考所研發(fā)出來的計算機理論。在機器學(xué)習(xí)中，最常見的問題就是分類問題。所謂的分類問題，就好比我們用機器學(xué)習(xí)算法，將病人的檢查結(jié)果分為有病和健康，是一個醫(yī)學(xué)方面的二分類問題。當(dāng)然，機器分類的方式是多種多樣的，今天我們就在這篇文章里著重為大家介紹一下以學(xué)習(xí)形式對機器學(xué)習(xí)進(jìn)行的分類，讓大家對機器學(xué)習(xí)有更好的了解。

按照學(xué)習(xí)形式分類的話，機器學(xué)習(xí)的知識分為非監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)這兩種，首先我們說一下非監(jiān)督學(xué)習(xí)的內(nèi)容，其實非監(jiān)督學(xué)習(xí)就是歸納性學(xué)習(xí)，利用K方式，建立中心，通過循環(huán)和遞減運算來減小誤差，達(dá)到分類的目的。而非監(jiān)督學(xué)習(xí)的研究領(lǐng)域還是十分廣泛的，一般來說，機器學(xué)習(xí)領(lǐng)域的研究工作主要圍繞三個方面進(jìn)行。第一個方面就是面向任務(wù)的研究，具體就是研究和分析改進(jìn)一組預(yù)定任務(wù)的執(zhí)行性能的學(xué)習(xí)系統(tǒng)。第二個方面就是認(rèn)知模型，具體就是研究人類學(xué)習(xí)過程并進(jìn)行計算機模擬。第三個方面就是理論分析，具體就是從理論上探索各種可能的學(xué)習(xí)方法和獨立于應(yīng)用領(lǐng)域的算法。當(dāng)然，機器學(xué)習(xí)是繼專家系統(tǒng)之后人工智能應(yīng)用的又一重要研究領(lǐng)域，也是人工智能和神經(jīng)計算的核心研究課題之一?，F(xiàn)有的計算機系統(tǒng)和人工智能系統(tǒng)沒有什么學(xué)習(xí)能力，最多也只有非常有限的學(xué)習(xí)能力，因而不能滿足科技和生產(chǎn)提出的新要求。對機器學(xué)習(xí)的討論和機器學(xué)習(xí)研究的進(jìn)展，必將促使人工智能和整個科學(xué)技術(shù)的進(jìn)一步發(fā)展。這也就是現(xiàn)在的研究人員都開始重視機器學(xué)習(xí)的原因。

那么監(jiān)督學(xué)習(xí)是什么呢？所謂監(jiān)督學(xué)習(xí)就是監(jiān)督學(xué)習(xí)是從標(biāo)記的訓(xùn)練數(shù)據(jù)來推斷一個功能的機器學(xué)習(xí)任務(wù)。在監(jiān)督學(xué)習(xí)中，每個實例都是由一個輸入對象（通常為矢量）和一個期望的輸出值（也稱為監(jiān)督信號）組成。監(jiān)督學(xué)習(xí)的訓(xùn)練集要求是包括輸入和輸出，也可以說是特征和目標(biāo)。訓(xùn)練集中的目標(biāo)是由人標(biāo)注的。常見的監(jiān)督學(xué)習(xí)算法包括回歸分析和統(tǒng)計分類。這些就是監(jiān)督學(xué)習(xí)的主要內(nèi)容。

實際上，機器學(xué)習(xí)的內(nèi)容各自都保持著獨立，而非監(jiān)督學(xué)習(xí)所學(xué)習(xí)的知識顯然超過原有系統(tǒng)知識庫所能蘊涵的范圍,所學(xué)結(jié)果改變了系統(tǒng)的知識體系, 因而這種類型的學(xué)習(xí)被人們廣泛使用。而監(jiān)督學(xué)習(xí)盡管所學(xué)的知識能提高系統(tǒng)的效率，但仍能被原有系統(tǒng)的知識庫所蘊涵,即所學(xué)的知識的特征和目標(biāo)被訓(xùn)練的十分出色,因而這種類型的學(xué)習(xí)方式得到了研究人員的認(rèn)可。這兩種類型的主要區(qū)別在于，監(jiān)督式學(xué)習(xí)是使用基礎(chǔ)事實完成的，或者換句話說，我們事先知道樣本的輸出值應(yīng)該是多少。

通過文章的介紹，想必大家心中的謎團(tuán)已經(jīng)解開，對于機器的學(xué)習(xí)就是需要這樣一點一點深入，畢竟一口吃不成個胖子，機器學(xué)習(xí)也是需要慢慢積累的。機器學(xué)習(xí)的征程可謂任重道遠(yuǎn)，既然選擇了這個方向，就一定要加倍努力，不枉費時間，也不辜負(fù)青春。