1. 监督学习（Supervised Learning）
训练数据有 输入（特性） 和 精确的输出（标签），模型通过学习映射关系来进行推测。
典范任务：
分类（Classification）：辨认邮件是否为垃圾邮件（Spam/Not Spam）。
回归（Regression）：推测房价。
常见算法：
线性回归（Linear Regression）
逻辑回归（Logistic Regression）
决议树（Decision Tree）
支持向量机（SVM）
随机森林（Random Forest）
神经网络（Neural Networks）
2. 无监督学习（Unsupervised Learning）
训练数据只有 输入（特性），没有标签，算法通过分析数据结构进行模式发现。
典范任务：
聚类（Clustering）：把顾客按购买行为分成不同种别。
降维（Dimensionality Reduction）：用 PCA（主成分分析）减少数据维度，提高盘算效率。
常见算法：
K-Means 聚类
条理聚类（Hierarchical Clustering）
主成分分析（PCA）
自编码器（Autoencoder）
3. 强化学习（Reinforcement Learning, RL）
通过 试错（Trial & Error） 进行学习，智能体（Agent）与环境交互，并基于奖励或处罚调整策略，以实现目标最大化。
典范任务：
游戏 AI（如 AlphaGo）
主动驾驶
呆板人控制
关键概念：
状态（State）：环境的当前环境
动作（Action）：智能体可以做的决议
奖励（Reward）：智能体的反馈信号，鼓励好的行为
代表算法：
深度 Q 网络（DQN）
近端策略优化（PPO）
深度确定性策略梯度（DDPG）
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
