【IT168 编译】对于机器学习而言，并不存在“一体适用”的说法。构建不同的模型需要用到不同的算法和不同技术，但如何才能确定哪种技术最合适呢?

　　机器学习并不局限于一套具体的算法，它依赖于你想要达到的目标，或者说依赖于数据类型和数据量。

　　以下是机器学习中一些常见的技术：

　　监督式学习

　　数据是否被贴上标签，决定了它是被监督还是无人监督的。监督学习使用人类标记过的数据，通常在数据有能力预测可能发生的事件时使用。换句话说，在我们知道自己需要得到什么样的结果输出时，所输入数据就是这些标记过的数据。该算法对一组输入数据进行处理，并得到相应的输出结果，通过将该输出结果与正确结果进行比较来发现错误。一旦发现错误，就可以相应地对模型进行修改。

　　分类

　　分类属于监督学习，可以定义为尝试预测给定输入的输出结果。分类采用一组未知的实体，将其识别为更大的已知组。为了进行学习，它需要一组已标记的实例，例如图像、文本或语音。随着训练次数的增长，使分类器达到高准确度所需的数据量可能很大，达到数千甚至数百万个实例。虽然分类通常针对简单的类别，但它可以扩展到目标是一个结构或一个序列的情况，就像自然语言处理一样。

　　无监督学习

　　无监督学习使用无标记的数据。在这种情况下，机器在不了解任何事先数据或信息的情况下发现了新的模式。当数据被归类到类似的数据组时，这种类型的学习会在集群下很好地工作。

　　强化学习

　　受强化行为心理观念的启发，强化学习是一种学习的理念。机器可以通过多次尝试和错误来获得一个理想的结果。随着时间的推移，它学会了选择某种行为，以得到理想的结果。这种类型的学习经常被应用于游戏、导航等应用程序中。

　　神经网络

　　深度神经网络(DNNs)，又称人工神经网络(ANN)，代表了一套用于构建强大的学习系统的技术。与某些算法不同，它们添加了一些“隐藏”层，用于提取中间表示。这种技术于20世纪80年代被发明，在2010年之后开始腾飞，这种飞速增长得益于强大的并行硬件和易于使用的开源软件。

　　DNNs覆盖了一系列不同的神经体系结构，最著名的是:

　　递归神经网络(RNN)——神经元将反馈信号发送给彼此

　　卷积神经网络(CNN——前馈神经网络，通常用于视觉和图像识别