学习
一个系统能够通过执行某个过程改进它的性能，这就是学习监督学习
supervised learning 指从标注数据中学习预测模型。【【监督学习应用】分类、标注和回归——笔记】标注数据表示输入输出的对应关系，预测模型对给定的输入产生相应的输出。监督学习的实质是学习输入到输出的映射的统计规律。
监督学习的应用主要在三个方面：分类、标注和回归
分类
- 监督学习从数据中学习一个分类模型或分类决策函数，称为分类器（classifier），分类器对新的输入进行输出的预测，称为分类（classification）
- 可能的输出称为类别（class）
- 分类问题包括学习和分类两个过程
- 可以认为标注问题是分类问题的一个推广。但标注问题是更复杂的结构预测（structure prediction）问题的简单形式。
- 分类问题中，输出变量Y去有限个离散值，输入X可以为离散的或者是连续的。
- 标注问题的输入是一个观测序列，输出的是一个标记序列或状态序列。
- 标注问题的目标在于学习一个模型，观测序列后会得出一个预测，该预测为标记序列
- 可能的标记个数是有限的，但其组合所称的标记序列的个数是依序列长度呈指数增长的
- 标注问题包括学习和标注两个过程
- 回归用于预测输入变量X和输出变量Y之间的关系
- 所谓回归模型就是输入和输出之间映射的函数，Y = F（X）
推荐阅读
- paddle|动手从头实现LSTM
- 人工智能|干货！人体姿态估计与运动预测
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- Python专栏|数据分析的常规流程
- 读书笔记|《白话大数据和机器学习》学习笔记1
- Pytorch学习|sklearn-SVM 模型保存、交叉验证与网格搜索
- Python机器学习基础与进阶|Python机器学习--集成学习算法--XGBoost算法
- 深度学习|深度学习笔记总结
- 机器学习|机器学习Sklearn学习总结
- 机器学习|线性回归原理与python实现