-
分类(Classification)
分类任务是最常见的机器学习任务之一，其目的是让程序判断一组数据应该属于那些类别，例如对象识别任务和语音识别任务等。可以说与“识别”一词相关的任务，很大程度上都属于分类任务。
-
回归(Regression)
回归任务就是要求程序根据输入数据来预测一个数值，比如：股市预测任务和天气预测任务等。为了解决这类问题，学习算法需要将n维特征映射到一个实数空间，这类任务和分类任务没有本质的区别
-
机器翻译
该任务是深度学习领域中激动人心的任务之一，目前深度学习在图像识别领域取得了重大的突破。在机器学习翻译任务中，输入的数据是由序列信号组成的语言构成，计算机程序需要将该序列转换成另一种语言序列信号，比如我们将英语转换为中文。这种转换可以是文本转换，也可以是音频的转换。
-
结构化输出
结构化输出结果为一个向量，这是一类宽泛的任务，前面提到的机器翻译就属于其中。例如，曾经Google做的一项融合图像识别与机器翻译的图像说明应用，该应用在网络的前几层使用卷积神经网络提取图像特征，然后再将这些特征输入经循环神经网络，将图像特征转换为文字信号输出。其输入为一张图片，而输出为图片的文字描述。
-
异常检测
生活中有很多事情并不常见，但我们却很担心这种小概率事件的发生，异常检测，异常检测就是用程序检测这些离散数据。比如：金融领域中信用卡欺骗越来越常见，由此造成的损失一向难以估计。
这类任务的困难在于异常数据相对正常数据而言太少，甚至有时还需要解决未曾发生的状况。
-
降噪
在机器学习中，我们总是假定已知数据和未知数据是相对的，我们在已知数据中找寻各种规律、各种模式，然后将已知数据中学习到的模式应用到未知数据中。但在某种程度上，其实是在“自欺欺人”，因为已知数据和未知数据之间是有噪声的，这些噪声造成了实验结果和实际结果的误差。
机器学习的一个重要研究方向就是让机器拥有强大的抗噪声的能力去对抗这些误差，为了获得这种健壮性，我们在数据中加入了一些噪声学习，从“污浊”的数据中还原“干净”的数据，从而期望学习模型能够学习到更强大的抗躁能力。
网友评论