机器学习的分类

机器学习是人工智能的一个分支，它通过对数据的研究，构建出新的系统。机器学习的核心是描述（Representation）和归纳（Generalization）。所谓描述，就是找到数据的结构；所谓归纳，就是用数据进行预测。

机器学习和人类的学习类似，并不仅仅是简单的记忆，还需要对以前没有出现过的事件进行分析和判断。让机器通过了解过去，做到预测未来。机器学习可以分为监督学习（Supervised learning）和非监督学习（Unsupervised learning）。

首先，对于监督学习，我们预先知道“正确”答案。比方说，我们知道数据x和数据y，但是我们想知道x和y之间的关系，也就是它们之间的路线图（mapping）。所以，监督学习是从有标记的数据（labeled data）中学习。

举例来说，我们可以根据贷款人的年龄、性别、收入、信用水平和贷款金额等信息（也就是x）判断他是否符合小微贷款条件（也就是y），如表1所示。贷款人1和贷款人2的条件比较高，而且贷款金额低，因此通过了审批。贷款人3的条件比较差，而贷款金额比较高，所以就没有通过审批。
表1 小微贷款的监督机器学习

                 贷款人1        贷款人2        贷款人3
年龄                24                            31                  18
性别           男                            女                  男
年收入        31,000                46,000        13,000
信用水平        620                    630                  520
贷款金额        4,000               1,200               20,000
审批情况        通过                          通过        拒绝

除了用于贷款审批，监督机器学习还可以应用于判断垃圾邮件，预测股市和楼市的价格等方面，如图1所示。
图1.监督机器学习预测股价和房价。

接下来，我们来介绍一下无监督机器学习。同监督机器学习不同，无监督机器学习没有明确的答案。在无监督机器学习中，数据没有标签。无监督机器学习的目标就是要了解数据的结构。

分类是无监督机器学习的重要应用方面。比方说，客户会给手机运营商打电话咨询各种问题。运营商就可以用无监督机器学习对这些客户电话进行分类。图1中，利用无监督机器学习的方法，把客户来电分为三类。

除此以外，无监督机器学习还可以用于自然语言识别（Nature language processing）。

最后，还要指出，数据之间也有差别。有些数据是连续的，比方说身高、体重、速度、时间等。但是有些数据确实离散的，比方说性别、民族、红绿灯的颜色等等。对于不同类型的数据，监督学习和无监督学习产生了4种分析方法：回归、分类、降维、聚类。

表2.机器学习和数据的关系

                        连续数据        离散数据
监督学习            回归分析        分类分析
无监督学习        降维分析        聚类分析

这是要干啥呢。。。。。