什么是机器学习？看完就明白了( 二 ) _数据

（4）强化学习
强化学习是一种比较复杂的机器学习方法，强调系统与外界不断的交互反馈，它主要是针对流程中不断需要推理的场景，比如无人汽车驾驶，它更多关注性能。它是机器学习中的热点学习方法。
3. 关于深度学习
深度学习是目前关注度很高的一类算法，深度学习(，DL)属于机器学习的子类。它的灵感来源于人类大脑的工作方式，是利用深度神经网络来解决特征表达的一种学习过程。
人工智能、机器学习、深度学习关系如下图所示：

文章插图
深度学习归根结底也是机器学习，不过它不同于监督学习、半监督学习、无监督学习、强化学习的这种分类方法，它是另一种分类方法，基于算法神经网络的深度，可以分成浅层学习算法和深度学习算法。
浅层学习算法主要是对一些结构化数据、半结构化数据一些场景的预测，深度学习主要解决复杂的场景，比如图像、文本、语音识别与分析等。
4. 了解机器学习概念对产品经理意义
本节主要在于理清一些机器学习基本概念，简单介绍一下应用场景，重点在于理解机器学习本质上还是对于数据的的一种处理方式，数据的使用方式，通过数据解析其中的规律，来预测未来数据结果。
二、机器学习的应用
我们在说机器学习分类的时候，简单介绍了一下不同机器学习方法，主要是解决是什么问题，在本节中具体介绍一些常用的应用场景，主要说明这些应用到底怎么用，不对其中的算法以及原理做深入的介绍。
1. 分类和聚类
分类和聚类机器学习最常用的应用场景，分类和聚类都是对数据的分组，我们刚接触的时候，很容易混淆这两个应用的概念，觉得分类就是聚类，其实他们有很多的不同。
分类是我们知道有哪些组，然后对数据进行判断，判断这些数据到底是预先知道的那些组。举个很简单的例子，比如我们在军训排队时要求男生一组，女生一组，这就是一种分类，我们提前知道要分那些组，然后通过一种算法对输入的数据判定，来分类到已知的类别下，这个就是分类。
分类从数学函数角度来说:分类任务就是通过学习得到一个目标函数f，把每个属性集x映射到一个预先定义的类标号y中。就是我们根据已知的一些样本（包括属性与类标号）来得到分类模型（即得到样本属性与类标号之间的函数），然后通过此目标函数来对只包含属性的样本数据进行分类。
所以分类属于监督学习方法，比如图像识别，比如我们从一些图像中识别是猫还是狗的照片等，它解决的是“是或否”的问题，就是将需要被分析的数据跟已知的类别结果做判断，看这些数据到底是那个类别数据。

文章插图
在分类中，对于目标数据中存在哪些类是知道的，要做的就是将每一条记录分别属于哪一类标记出来。但是聚类解决的就是在不知道类的情况下，如何把数据参数做一个划分。
聚类是实现不知道这批数据有哪些类别或标签，然后通过算法的选择，分析数据参数的特征值，然后进行机器的数据划分，把相似的数据聚到一起，所以它是无监督学习；
比如RFM模型中我们通过客户销售数据，通过这些数据对客户分群，然后通过聚类的方法，将相似度高的数据聚类到一起，通过分析出来的数据我们可以对数据特性在定义标签，它解决的是相似度的问题，将相似度高的聚集到一起。
我们举个例子来总结一下分类和聚类都是什么用途：