机器学习集成方法(机器学习的类型)
1.机器学习的类型有哪些
基于学习策略的分类 学习策略是指学习过程中系统所采用的推理策略。
一个学习系统总是由学习和环境两部分组成。由环境（如书本或教师）提供信息，学习部分则实现信息转换，用能够理解的形式记忆下来，并从中获取有用的信息。
在学习过程中，学生（学习部分）使用的推理越少，他对教师（环境）的依赖就越大，教师的负担也就越重。学习策略的分类标准就是根据学生实现信息转换所需的推理多少和难易程度来分类的，依从简单到复杂，从少到多的次序分为以下六种基本类型：1）机械学习 （Rote learning） 学习者无需任何推理或其它的知识转换，直接吸取环境所提供的信息。
如塞缪尔的跳棋程序，纽厄尔和西蒙的LT系统。这类学习系统主要考虑的是如何索引存贮的知识并加以利用。
系统的学习方法是直接通过事先编好、构造好的程序来学习，学习者不作任何工作，或者是通过直接接收既定的事实和数据进行学习，对输入信息不作任何的推理。2）示教学习 （Learning from instruction或Learning by being told） 学生从环境（教师或其它信息源如教科书等）获取信息，把知识转换成内部可使用的表示形式，并将新的知识和原有知识有机地结合为一体。
所以要求学生有一定程度的推理能力，但环境仍要做大量的工作。教师以某种形式提出和组织知识，以使学生拥有的知识可以不断地增加。
这种学习方法和人类社会的学校教学方式相似，学习的任务就是建立一个系统，使它能接受教导和建议，并有效地存贮和应用学到的知识。不少专家系统在建立知识库时使用这种方法去实现知识获取。
示教学习的一个典型应用例是FOO程序。3）演绎学习 （Learning by deduction） 学生所用的推理形式为演绎推理。
推理从公理出发，经过逻辑变换推导出结论。这种推理是"保真"变换和特化（specialization）的过程，使学生在推理过程中可以获取有用的知识。
这种学习方法包含宏操作（macro-operation）学习、知识编辑和组块（Chunking）技术。演绎推理的逆过程是归纳推理。
4）类比学习 （Learning by analogy） 利用二个不同领域（源域、目标域）中的知识相似性，可以通过类比，从源域的知识（包括相似的特征和其它性质）推导出目标域的相应知识，从而实现学习。类比学习系统可以使一个已有的计算机应用系统转变为适应于新的领域，来完成原先没有设计的相类似的功能。
类比学习需要比上述三种学习方式更多的推理。它一般要求先从知识源（源域）中检索出可用的知识，再将其转换成新的形式，用到新的状况（目标域）中去。
类比学习在人类科学技术发展史上起着重要作用，许多科学发现就是通过类比得到的。例如著名的卢瑟福类比就是通过将原子结构（目标域）同太阳系（源域）作类比，揭示了原子结构的奥秘。
5）基于解释的学习 （Explanation-based learning, EBL） 学生根据教师提供的目标概念、该概念的一个例子、领域理论及可操作准则，首先构造一个解释来说明为什该例子满足目标概念，然后将解释推广为目标概念的一个满足可操作准则的充分条件。EBL已被广泛应用于知识库求精和改善系统的性能。
著名的EBL系统有迪乔恩（G.DeJong）的GENESIS，米切尔（T.Mitchell）的LEXII和LEAP， 以及明顿（S.Minton）等的PRODIGY。6）归纳学习 （Learning from induction） 归纳学习是由教师或环境提供某概念的一些实例或反例，让学生通过归纳推理得出该概念的一般描述。
这种学习的推理工作量远多于示教学习和演绎学习，因为环境并不提供一般性概念描述（如公理）。从某种程度上说，归纳学习的推理量也比类比学习大，因为没有一个类似的概念可以作为"源概念"加以取用。
归纳学习是最基本的，发展也较为成熟的学习方法，在人工智能领域中已经得到广泛的研究和应用。基于所获取知识的表示形式分类 学习系统获取的知识可能有：行为规则、物理对象的描述、问题求解策略、各种分类及其它用于任务实现的知识类型。
对于学习中获取的知识，主要有以下一些表示形式：1）代数表达式参数 学习的目标是调节一个固定函数形式的代数表达式参数或系数来达到一个理想的性能。2）决策树 用决策树来划分物体的类属，树中每一内部节点对应一个物体属性，而每一边对应于这些属性的可选值，树的叶节点则对应于物体的每个基本分类。
3）形式文法 在识别一个特定语言的学习中，通过对该语言的一系列表达式进行归纳，形成该语言的形式文法。4）产生式规则 产生式规则表示为条件—动作对，已被极为广泛地使用。
学习系统中的学习行为主要是：生成、泛化、特化（Specialization）或合成产生式规则。5）形式逻辑表达式 形式逻辑表达式的基本成分是命题、谓词、变量、约束变量范围的语句，及嵌入的逻辑表达式。
6）图和网络 有的系统采用图匹配和图转换方案来有效地比较和索引知识。7）框架和模式（schema） 每个框架包含一组槽，用于描述事物（概念和个体）的各个方面。
8）计算机程序和其它的过程编码 获取这种形式的知识，目的在于取得一种能实现特定过程的能力，而不是为了推断该过程的内部结构。9）神经网络 这主要用在联接学习。
2.机器学习算法有哪些
楼主肯定对机器学习了解不多才会提这种问题。
这问题专业程度看起来和“机器学习工程师”这词汇一样。 机器学习，基础的PCA模型理论，贝叶斯，boost,Adaboost， 模式识别中的各种特征，诸如Hog,Haar,SIFT等 深度学习里的DBN,CNN,BP,RBM等等。
非专业出身，只是略懂一点。 没有常用的，只是针对需求有具体的设计，或者需要自己全新设计一个合适的算法，现在最热门的算是CNN(convolutional neural networks)卷积神经网络了。
优点：不需要训练获取特征，在学习过程中自动提取图像中的特征，免去了常规方法中，大量训练样本的时间。在样本足够大的情况下，能够得到非常精确的识别结果。
一般都能95%+的正确率。 缺点：硬件要求高，CUDA的并行框架算是用的很火的了。
但是一般的台式机跑一个Demo花费的时间长资源占用高。不过这也是这块算法的通病。
3.集成学习方法 什么情况下表现最好
1、高效的学习，要学会给自己定定目标（大、小、长、短），这样学习会有一个方向；然后梳理自身的学习情况，找出自己掌握的薄弱环节、存在的问题、容易丢分的知识点；再者合理的分配时间，有针对性的制定学习任务，一一的去落实。
2、可以学习掌握速读记忆的能力，提高学习复习效率。速读记忆是一种高效的学习、复习方法，其训练原理就在于激活“脑、眼”潜能，培养形成眼脑直映式的阅读、学习方式。速读记忆的练习见《精英特全脑速读记忆训练》，用软件练习，每天一个多小时，一个月的时间，可以把阅读速度提高5、6倍，记忆力、理解力等也会得到相应的提高，最终提高学习、复习效率，取得好成绩。如果你的阅读、学习效率低的话，可以好好的去练习一下。
3、要学会整合知识点。把需要学习的信息、掌握的知识分类，做成思维导图或知识点卡片，会让你的大脑、思维条理清醒，方便记忆、温习、掌握。同时，要学会把新知识和已学知识联系起来，不断糅合、完善你的知识体系。这样能够促进理解，加深记忆。
4、做题的时候要学会反思、归类、整理出对应的解题思路。遇到错的题（粗心做错也好、不会做也罢），最好能把这些错题收集起来，每个科目都建立一个独立的错题集（错题集要归类），当我们进行考前复习的时候，它们是重点复习对象，保证不再同样的问题上再出错、再丢分。
4.机器学习的基本任务是什么
就目前而言，大家都听说过人工智能、物联网以及大数据。当然，人工智能的热度最高。可以说，我国当下的人工智能发展是处于领先水平的。现如今，人工智能有很多的应用早已在人们的生活中普及，那么大家是否知道机器学习的基本任务是什么呢？下面我们直接进入正题。
1.机器学习的概念是什么？
对于机器学习的概念，百度上是这么解释的，机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
2.机器学习中的任务
当然，机器学习基于数据，并以此获取新知识、新技能。它的任务有很多，分类是其基本任务之一。分类就是将新数据划分到合适的类别中，一般用于类别型的目标特征，如果目标特征为连续型，则往往采用回归方法。回归是对新目标特征进行预测，是机器学习中使用非常广泛的方法之一。
3.分类和回归
机器学习中的分类和回归，都是先根据标签值或目标值建立模型或规则，然后利用这些带有目标值的数据形成的模型或规则，对新数据进行识别或预测。这两种方法都属于监督学习。与监督学习相对是无监督学习，无监督学习不指定目标值或预先无法知道目标值，它可以将把相似或相近的数据划分到相同的组里，聚类就是解决这一类问题的方法之一。
4.机器学习的算法都有哪些呢？
机器学习除了监督学习、无监督学习这两种最常见的方法外，还有半监督学习、强化学习等方法，这些基本任务间的关系就是机器学习包括监督学习和无监督学习，而监督学习就是基于输入数据及目标值训练预测模型，而具体细分为分类和回归，其中分类就是有决策树、支持向量机、朴素贝叶斯、K-近邻、集成方法等等，而回归则是有线性回归、逻辑回归、集成方法、神经网络知识等等。而非监督学习就是根据输入数据对数据进行分组，其中最具体的方式就是聚类，而涉及到的算法有K-均值算法，高斯混合算法、分层聚类算法等等。
通过这篇文章我们给大家介绍了关于机器学习基本任务的知识，从中我们不难发现机器学习有很多可供运用和发展的东西，我们在学习机器学习的时候一定要好好吸收这些知识的，让自己的基础更加牢固，能够融会贯通。
5.机器学习有哪些主要流派它们分别有什么贡献
机器学习5大流派：
①符号主义：使用符号、规则和逻辑来表征知识和进行逻辑推理，最突出的贡献算法是：规则和决策树
②贝叶斯派：获取发生的可能性来进行概率推理，最突出的贡献算法是：朴素贝叶斯或马尔可夫
③联结主义：使用概率矩阵和加权神经元来动态地识别和归纳模式，最突出的贡献算法是：神经网络
④进化主义：生成变化，然后为特定目标获取其中最优的，最突出的贡献算法是：遗传算法
⑤Analogizer：根据约束条件来优化函数（尽可能走到更高，但同时不要离开道路），最突出的贡献算法是：支持向量机
