一、概念

机器学习（Machine Learning）是一种通过让计算机从数据中自动学习和改进的技术。它是人工智能（AI）的一个分支，专注于开发能够识别模式、进行预测或推断的新算法和模型，而无需明确地编程每一个操作步骤。

二、挑战和学习流程

三、监督学习

在机器学习中，分类（Classification）是有监督学习的常见任务之一，其目标是根据输入数据的特征将数据点分配到预定义的类别中。分类问题在实际应用中非常广泛，常见的分类问题主要可以根据类别的数量和类型进行划分。

以下是一些重要的分类问题类型：

二分类

1、二分类（Binary Classification）是什么？

二分类是机器学习中最基本的分类问题之一，它将数据集中的样本（数据点）划分为两个互斥的类别（通常是“正类”和“负类”）。

二分类任务的目标是预测一个样本属于两个类别中的哪一个。

2、二分类应用场景有哪些？

垃圾邮件分类：判断一封邮件是否为垃圾邮件（“垃圾邮件”或“非垃圾邮件”）。

疾病预测：根据患者的症状预测是否患有某种疾病（“患病”或“未患病”）。

信用卡欺诈检测：判断一笔交易是否为欺诈交易（“欺诈”或“非欺诈”）。

3、二分类常见算法有哪些？

① 逻辑回归（Logistic Regression）：将线性模型的输出映射到0和1之间，通过阈值判断来进行二分类。

逻辑回归用阈值判断实现二分类，适合线性和非线性数据

② 支持向量机（Support Vector Machine, SVM）：在特征空间中找到一个最优的超平面来实现分类。对于线性不可分的数据，可以通过核函数将其映射到高维空间，从而变得线性可分。

支持向量机找最优超平面分类，对线性不可分数据用核函数处理，泛化能力强

多类分类

1、多类分类（Multi-class Classification）是什么？

多类分类问题是指数据集中的样本可以被划分为多个类别，并且每个样本只能属于一个类别。也就是，数据点被分配到多个预定义类别中的一个。类别数目大于2。

多类分类任务的目标是预测一个样本属于多个类别中的某一个（将数据点分为三个或更多类别）。

2、多类分类应用场景有哪些？

手写数字识别：将手写数字图片分类为0到9中的某个数字。

新闻分类：将新闻文章分类为政治、体育、娱乐、科技等多个类别。

物种分类：根据植物的特征（如花瓣形状、叶片等）分类到不同的物种。

3、多类分类常见算法有哪些？

① Softmax回归：将线性模型的输出映射到多个类别上的概率分布，通过比较不同类别的概率来进行多分类。具体来说，Softmax函数会将线性模型的输出（也称为logits）转换为概率分布，每个类别的概率值都在0和1之间，且所有类别的概率值之和为1。

Softmax回归通过映射线性模型输出到概率分布实现多类分类

② k-近邻（k-Nearest Neighbors, k-NN）：基于实例的学习方法，通过比较待分类样本与已知类别样本之间的距离来进行分类。在多类分类问题中，k-NN算法会选择距离待分类样本最近的k个已知样本，并根据这些样本的类别进行投票，选择出现次数最多的类别作为待分类样本的类别。

k-近邻（k-NN）则基于距离度量与已知样本的相似性来进行多类分类

多标签分类

1、多标签分类（Multi-label Classification）是什么？

多标签分类问题是指一个样本可以同时被赋予多个标签，这些标签之间不是互斥的。或者说，每个数据点可以同时属于多个类别，而不仅仅是一个类别。每个样本可能被分配多个标签。

多标签分类任务的目标是预测一个样本同时属于哪些标签集合中的标签。

2、多标签分类应用场景有哪些？

文本主题分类：一篇文章可以同时属于“体育”和“政治”两个类别。

电影推荐：一部电影可以同时被标记为“动作”、“冒险”和“科幻”。

音乐分类：一首歌可能属于“流行”、“摇滚”以及“电子”三个标签。

3、多标签分类常见方法是什么？

将多标签分类问题转化为多个二分类问题来解决，或者利用上一个输出的标签作为下一个标签分类器的输入

层次分类

1、层次分类（Hierarchical Classification）是什么？

类别之间有层次关系，数据点不仅仅被分配到一个类别，还需要确定其所属的类别层次。

2、层次分类应用场景有哪些？

物种分类：将动物分为“哺乳类”或“爬行动物”，再进一步细分为具体种类。

目录分类：将文档分配到一个包含子类的多层目录结构中（例如，先分类为“体育”，再细分为“足球”、“篮球”等）。

序列分类

1、序列分类问题（Sequence Classification）是什么？

数据点是一个有顺序的序列，任务是对整个序列进行分类，通常与时间、顺序或结构相关。

2、序列分类应用场景有哪些？

语音识别：将一段语音信号分类为一个词或句子。

情感分析：根据文本内容判断整篇文章的情感倾向（如正面、负面或中性）。

时间序列预测：预测某种时间序列数据（如股市波动、天气变化）的类别。

异常检测

1、异常检测（Anomaly Detection）是什么？

识别不符合常规模式的数据点，这通常被视为分类任务的一种特殊情况。在这种任务中，模型需要识别数据中的“异常”或“稀有”样本。

2、异常检测应用场景有哪些？

网络入侵检测：识别网络流量中的异常模式，标记为“正常”或“异常”。

信用卡欺诈检测：识别异常的交易模式，标记为“正常”或“欺诈”。

设备故障预测：在设备运行数据中检测异常，判断设备是否可能发生故障。

多任务学习

1、多任务学习（Multitask Learning）是什么？

在同一模型中同时进行多个相关的分类任务。每个任务可能有不同的标签集，但它们共享一些相同的特征。

2、多任务学习应用场景有哪些？

面部表情识别和情感分析：在同一模型中同时识别人脸的表情（如微笑、皱眉）和分析情感（如正面或负面情绪）。

语音识别与语言翻译：同时进行语音识别和翻译任务。

这是一篇杂记。

生物信息学领域非常广泛，难以一次说尽。我们下次继续更新，一起深入学习生物信息学的内容！

喜欢的宝子们点个赞吧~码字不易，且行且珍惜~