系统:Windows 10
软件版本:
1.监督学习:对代表机器学习的数据进行标记，这些标记可以包括数据类别、数据属性、特征点位置等。这些标记作为预期效果，不断修正机器的预测结果。具体实现过程是:机器通过大量标记数据进行训练，机器将预测结果与预期结果进行比较；之后根据比较结果修改模型中的参数，再次输出预测结果；然后将预测结果与期望结果进行比较，多次重复直至收敛，最终生成鲁棒模型，实现智能决策能力。
常见的监督学习包括分类和回归:分类是将一些案例数据分成适当的类别，其预测结果是离散的。回归是把数据放在一条“线上”，也就是用离散的数据产生拟合曲线，所以它的预测结果是连续的。
2.无监督学习:代表机器学习的数据是无标记的。机器从未标记的数据中探索和推断潜在的联系。常见的无监督学习方法包括聚类和降维。在聚类中，由于数据类别事先未知，我们只能分析数据样本在特征空之间的分布，例如基于密度或统计概率模型，从而将不同的数据分开，将相似的数据归为一类。降维就是降低数据的维度。比如描述一个西瓜，如果只考虑皮色、根、敲击声、质地、大小、含糖量等六个属性，那么这六个属性代表西瓜数据的维度为6。进一步考虑降维的工作，由于数据本身数量庞大，属性特征多样，如果全部分析数据信息，会增加训练和存储的负担空。因此，可以采用其他方法，如主成分分析法，考虑主要影响因素，舍弃次要影响因素，以达到准确性和效率的平衡。
3.强化学习:有激励机制。具体来说，如果机器动作正确，会给予一定的“正向激励”；如果动作不对，也会给一个惩罚(也叫“负激励”)。所以，在这种情况下，机器会考虑如何在一个环境中行动，使激励最大化，它具有一定的动态规划思想。
4.深度学习:深度学习是机器学习的一个新的研究领域，旨在研究如何从数据中自动提取多层次的特征表示。其核心思想是以数据驱动的方式，通过一系列非线性变换，从低级到高级，从具体到抽象，从一般到具体的语义，从原始数据中提取特征。深度学习不仅改变了传统的机器学习方法，也影响了对人类感知的理解。到目前为止，已经在语音识别、图像理解、自然语言处理、视频推荐等应用领域引起了突破性的变革。
