无监督学习：

这是一种学习，我们在训练时不给我们的模型提供目标，即训练模型只有输入参数值。模型本身必须找到它可以学习的方式。图A中的数据集是商城数据，其中包含订阅它们的客户的信息。订阅后，他们会获得会员卡，因此商场可以提供有关客户及其每次购买的完整信息。现在使用这些数据和无监督学习技术，商城可以根据我们提供的参数轻松地对客户进行分组。我们提供的

 

培训数据是 -

 

非结构化数据：可能包含噪声（无意义）数据，缺失值或未知数据

未标记的数据 ：数据仅包含输入参数的值，没有目标值（输出）。与监督方法中的标记的相比，它易于收集。

 

无监督学习的类型： -

 

聚类：我们的机器模型发现，这种技术广泛应用于基于不同模式的组数据。例如，在上图中，我们没有给出输出参数值，因此该技术将用于根据我们的数据提供的输入参数对客户端进行分组。

关联：该技术是基于规则的ML技术，其发现大数据集的参数之间的一些非常有用的关系。对于例如购物商店，使用基于该技术的算法来找出基于顾客行为的一种产品销售与其他销售之间的关系。一旦训练有素，这些模型可用于通过规划不同的报价来增加销售。

一些算法：

 

K-Means聚类

DBSCAN - 基于密度的噪声应用空间聚类

BIRCH - 使用层次结构的平衡迭代减少和聚类

分层聚类

 

半监督学习：

顾名思义，它的工作介于有监督和无监督技术之间。当我们处理有点标记的数据时，我们使用这些技术，其中大部分数据是未标记的。我们可以使用无监督技术来预测标签，然后将这些标签提供给监督技术。该技术主要适用于通常所有图像都未标记的图像数据集。

 

 

强化学习：

在此技术中，模型使用奖励反馈不断提高其性能，以了解行为或模式。这些算法特定于一个特定的问题，例如谷歌自驾车，AlphaGo，其中机器人与人类竞争甚至自身以获得更好和更好的Go游戏。每次我们输入数据时，他们都会学习并将数据添加到其作为训练数据的知识中。因此，它越是学得越好，它就越有经验，也就越有经验。

 

代理观察输入。

代理通过做出一些决定来执行操作。

在其表现之后，代理人获得奖励并因此加强并且模型存储在状态 - 动作信息对中。

一些算法：

 

时间差异（TD）

Q学习

深层对抗网络