一、典型的學習任務包括：

分類（classification）

回歸（regression）

聚類（clustering）

排序（ranking）

密度估計（density estimation）

特征降維（dimensionality reduction）

… …

1.1分類（classification）

基于已知類別標簽的樣本構成的訓練集，學習預測模型；最終預測模型，對新的觀測樣本，預測相應的輸出；預測結果為事先指定的兩個或多個類別中的某一個，或預測結果來自數(shù)目有限的離散值之一。

兩類別 vs.多類別

類別數(shù)C=2， 兩類別分類（binary classification）

類別數(shù)C》2， 多類別分類（multiclass classification）

3.2回歸（regression）

回歸分析基于已知答案的樣本構成的訓練集，估計自變量與因變量之間關系的統(tǒng)計過程，進而基于該關系對新的觀測產生的輸出進行預測，預測輸出為連續(xù)的實數(shù)值

3.3 聚類（clustering）

對給定的數(shù)據(jù)集進行劃分，得到若干“簇”；使得“簇內”樣本之間較“簇間”樣本之間更為相似。通過聚類得到的可能各簇對應一些潛在的概念結構，聚類是自動為給定的樣本賦予標記的過程。

聚類舉例

1.4特征降維

將初始的數(shù)據(jù)高維表示轉化為關于樣本的低維表示，借助由高維輸入空間向低維空間的映射，來簡化輸入。

– 特征提取，如PCA–高維數(shù)據(jù)的低維可視化