机器学习都是关于统计模型的。

你可能知道参数模型，比如当你计算月球的质量时，你有一个公式。如果你知道这些变量，你可以通过代入和计算来计算出答案。

有时你没有一个公式，但你有大量的数据，你想找到模式或做出预测。在这种情况下，您将使用非参数机器学习模型。

我是Loren Shure，我是一位在MathWorks工作了30多年的科学家。我将介绍三种类型的机器学习:集群、分类和回归。

首先，我们将讨论集群。

假设我给你一堆卡片，上面有图片，我让你把这些卡片分成几组。不同的人用不同的方式把这些卡片组合起来。

是什么导致了这种情况的发生?嗯，它们是狗、猫和鸟的照片。

有些人会说:“啊哈!我在这里看到了三个不同的群体:狗、猫和鸟。”

有些人看到四条腿的动物和两条腿的动物，然后把卡片分成两摞。

那些把它们放在一堆的人可能会说，“它们都是动物!”

那么,谁是对的呢?你们都是，因为说明书上说要把卡片分成几组。

这就是集群:集群帮助您将一组东西分割成具有不同属性的组。

现在让我们进入分类。

你有同样的卡片，每张卡片上都标着三类:狗、猫或鸟。

你需要确定有助于区分不同动物的特征。

您使用这些特性来训练一个模型，该模型将确定某个东西是否被标记为狗、猫或鸟。

现在我给你们一个新的图像。它属于什么类别?好吧，让我们通过模型来算出它。

这个模型只擅长分类狗、猫和鸟，但它显然不是为其他任何东西而开发的。它对马已经尽力了。

这就是分类，您可以将其用于图像中的对象检测、预测维护和垃圾邮件检测。

第三种类型的机器学习是回归，在这里，我们不是把输出分成有限的数量，而是试图在一个连续体中找到一个答案——就像动物的最大奔跑速度。

为了建立一个预测速度的模型，我们做了之前做过的事情——选择可能相关的特性。例如，让我们来试试动物的重量和它的腿有多长。

该模型利用这些特征来估计动物在速度连续体中的位置。

这是回归。回归模型在许多应用中都有使用，比如预测用电量或股票价格。

这就是三种不同的机器学习。

机器学习是一个非常复杂的话题，我只是略过了它的表面。您可能听说过深度学习，这是一种不需要手动选择特性的机器学习。相反，这些特性是作为模型训练过程的一部分来学习的，但是它会消耗大量的数据。

更多的实用信息和灵感，从下面的链接开始。