人类需要经过各式各样的学习才有办法认识这个世界。
当小朋友第一次看到猫后，可能会问爸爸妈妈，这个胖乎乎有胡子的可爱动物是什么。当父母告诉她：这就是猫的时候，她就会理解到，这种生物就是猫。
以后她碰到各种各样的猫的时候，都能认得出来。
计算机也是一样，在学习的过程中，可以自动找出“猫的具体特征”，以及形成自己一套识别方法，即使没有遇到的问题也可以按照原先的思路去解决。
但是，和人的学习略有不同，计算机是通过从大量的数据中找到规律，进行预测和分类，达到即使没有遇到过同类型的问题，它也能解决!
机器学习，顾名思义，机器可以像孩子一样学习。机器不再是简单运行人类程序的工具，它可以自己去学习!变得更加聪明!
机器学习大致上可以分为：监督学习、非监督学习、强化学习三类。 接下来我们依次说明这三类机器学习。
监督学习
在监督学习中，我们会将所有的数据和配对的答案都输入计算机，让计算机去学习这些数据的特征规则和答案之间的联系。
在监督学习中：
带有答案的数据是必须的，因为计算机在学习(训练)的过程中，不断在对答案，修正自己的问题。
带有答案的数据的数量是巨大的，计算机没有我们想象中聪明，它需要在每次的错误中寻找自己的不足。目前少样本学习或者举一反三，还是只有人类能做到。
监督学习大致可以分为分类问题和回归问题。
分类问题
监督学习中，我们一直在举识别猫的例子，其实这是一种分类的过程，计算机可以将图片进行分类。分类不仅仅局限于图片，我们对于文字内容也可以进行分类哦。
很困扰我们的垃圾邮件就是可以通过计算机识别文字后，进行分类。
计算机垃圾邮件的分类可不是像我们想象中那样，直接告诉你答案，它会进行垃圾邮件和正常邮件的概率标注。 比如这封邮件里面有大量的“折扣”、“促销”的字眼，是垃圾邮件的概率 92%。我们人类按照计算机具体给出的概率标注进行具体的区分。
除了图片、文字，计算机还可以区分声音。
回归问题
一提到回归问题，好多小伙伴就会感到困惑，什么是回归?回到那儿呀?归到哪儿呀?
其实，回归问题就是预测问题，只不过，在机器学习领域，把它称作回归。
大家熟悉的口袋妖怪-宝可梦的攻击力，我们可以从历史数据中进行预测。
回归就是从一堆数据中，找到能够准确找到这对数据的趋势线，得出一个具体数值的过程。
分类和回归具体的区别：
我们可以将天气预测为晴天、阴天、雨天、雪天，这就是分类的过程。但是如果预测具体的天气温度，就是回归。
过度学习和懒散学习(过拟合问题和欠拟合问题)
我们会不会这么想：是不是给计算机的数据越多，它就能越好地进行分类和回归呢。答案是“NO!”
计算机过度学习在学术上称为“过拟合” !
我举一个自己特别痛苦的例子：在我上初中的时候，有一天老师通知我们说过一段时间要进行数学测验，大家好好复习。我就把课后题全部都做了 3 遍，心想，这次我的成绩肯定会很好! 但是，考试的时候，卷子发下来，发现是数学竞赛，我无语凝噎……
但是，话说回来，如果连课后题都懒得会做，考试就无从谈起了。这就是“懒散学习”，得到结果恐怕不只是眼泪，可能还有肉体的摧残。 这就是“欠拟合“。
写到这里，不禁对咱们中国儒家文化中的“中庸之道”暗自佩服!
非监督学习
世界中的许多问题，都不是监督学习能够解决的，因为好多连人类都不知道答案。
机器学习中的非监督学习，就是让计算机分析一堆不知道答案的数据，然后找出结构和规则的过程。
举例来说，电商对客户分类的过程，就是一种非监督学习。刚开始我们没有办法为客户贴上准确的标签，但是渐渐地，从不同客户群体购买记录、浏览记录中，就可以区分出一些共性特征，将其聚类。 我们经常收到的商品推荐服务，就是电商给某一类标签用户推荐他们可能喜欢的商品。
强化学习
人类会在成功与失败的教训中，学习到如何才能顺利达到目的。
我想大多数同学在小时候家长不在家的时候，都有过玩游戏和写作业之间的纠结。如果玩游戏，现在是爽到了，但是如果爸爸妈妈突然回来;如果明天老师检查……虽然头悬两把利剑，但是很多同学还是拿起了手柄和键盘。
写作业虽然现在很痛苦，但是如果爸妈突然回家，如果考试成绩很好，好处大大滴。
想必是先有了痛苦的经历，很多同学痛定思痛，还是拿起了笔，写作业。
同样的，计算机可以由尝试错误的方式，经历多次失败和成功，然后学习到规律。失败和成功完全就是以奖励的多少决定——这就是强化学习。
让我们大众熟悉人工智能的 AlphaGo ，基本原理就是强化学习。
（文章来源：大鱼AI）
