2.无监督学习
与监督学习不同，无监督学习不需要标记输出。其目标是发现数据中隐藏的模式、分组或结构。这类似于独自探索一座新城市并理解所观察到的内容。
常见应用：客户细分、异常检测和市场篮子分析。
常见算法： K均值聚类、层次聚类、主成分分析（PCA）。
例如，在营销中，无监督学习可以将具有相似购买行为的客户分组，从而实现更有针对性的营销活动。
3.强化学习
强化学习 (RL) 侧重于通过奖励理想的行动来训练代理做出一系列决策。没有明确的训练数据；相反，代理与环境交互并从奖励或惩罚中学习。
常见应用：机器人、游戏（例如国际象棋或围棋）、自动驾驶汽车。
常见算法： Q-Learning、深度Q网络（DQN）。
强化学习模仿了我们教导孩子的方式：通过反复试验 海外亚洲数据 和渐进式学习。想象一下，训练一只狗表演技巧，给它奖励它的良好行为。
线性回归通过使用线性方程对输入变量和目标输出之间的关系进行建模来预测连续输出。它是监督学习中最简单但使用最广泛的算法之一。
应用：销售预测、风险评估和趋势分析。
优点：易于解释；计算效率高。
局限性：假设线性关系；对异常值敏感。
该算法的工作原理是找到最适合一组数据点的线，并根据提供的输入值预测结果。例如，根据平方英尺预测房价是一个典型的应用。