一、機器學習的本質是什么

　　長久以來，人類對事物的認知經由三個步驟：原始數據——專業知識/經驗常識——認知。長久以來，人類對事物的認知經由三個步驟：原始數據——專業知識/經驗常識——認知。

　　面對同樣的原始數據(股市數據，儀表指數，社會現象等)，擁有不同知識的人將得出不同的認知;同樣，擁有相同知識的人，面對沒有數據、有少量數據、有大量數據以及有充分數據等不同情況時，也將得出不同的認知(信息均等博弈，信息不對稱博弈)。

　　那么究竟是知識重要還是數據重要?在人類歷史很長一段時間內，無疑是知識的擁有者占據了上風。而機器學習方法的出現，則將這個趨勢徹底扭轉。或許，“知識”未來將一文不值，而“數據”，才是價值連城。

　　機器學習的本質，就在于建立了(原始數據——認知)之間的直接映射，跳出了“知識”的束縛。從此，人類的認知方式改天換地。因為，從此我們或許再也不需要那冗桎的“知識”。

　　二、機器學習可以這樣分類

　　(一)基于學習方法的分類

　　(1)歸納學習

　　符號歸納學習：典型的符號歸納學習有示例學習、決策樹學習。

　　函數歸納學習(發現學習)：典型的函數歸納學習有神經網絡學習、示例學習、發現學習、統計學習。

　　(2)演繹學習

　　(3)類比學習：典型的類比學習有案例(范例)學習。

　　(4)分析學習：典型的分析學習有解釋學習、宏操作學習。

　　(二)基于學習方式的分類

　　(1)監督學習(有導師學習)：輸入數據中有導師信號，以概率函數、代數函數或人工神經網絡為基函數模型，采用迭代計算方法，學習結果為函數。

　　(2)無監督學習(無導師學習)：輸入數據中無導師信號，采用聚類方法，學習結果為類別。典型的無導師學習有發現學習、聚類、競爭學習等。

　　(3)強化學習(增強學習)：以環境反饋(獎/懲信號)作為輸入，以統計和動態規劃技術為指導的一種學習方法。

　　(三)基于數據形式的分類

　　(1)結構化學習：以結構化數據為輸入，以數值計算或符號推演為方法。典型的結構化學習有神經網絡學習、統計學習、決策樹學習、規則學習。

　　(2)非結構化學習：以非結構化數據為輸入，典型的非結構化學習有類比學習案例學習、解釋學習、文本挖掘、圖像挖掘、Web挖掘等。

　　(四)基于學習目標的分類

　　(1)概念學習：學習的目標和結果為概念，或者說是為了獲得概念的學習。典型的概念學習主要有示例學習。

　　(2)規則學習：學習的目標和結果為規則，或者為了獲得規則的學習。典型規則學習主要有決策樹學習。

　　(3)函數學習：學習的目標和結果為函數，或者說是為了獲得函數的學習。典型函數學習主要有神經網絡學習。

　　(4)類別學習：學習的目標和結果為對象類，或者說是為了獲得類別的學習。典型類別學習主要有聚類分析。

　　(5)貝葉斯網絡學習：學習的目標和結果是貝葉斯網絡，或者說是為了獲得貝葉斯網絡的一種學習。其又可分為結構學習和多數學習。