机器学习是人们最为关注的话题，机器学习有四大方面，机器学习策略并不广为人知，什么是机器学习策略?即以创造性的方式，运用基本的机器学习算法，解决现实世界问题。IT培训网在此探讨四种策略：在线学习、迁移学习、集成学习和深度学习。

机器学习四大策略分析

一、在线学习

在线学习使用瞬息万变的数据。这类模型跟着数据及时更新，并不存储先前的数据。有的在线学习算法还会“适应”，即随时调整模型，跟随或追踪数据的变化。具体而言，它们会逐渐“遗忘”过时数据，从而适用于环境/模型随时变动的应用程序。批量(或离线)学习使用静态的数据，可以充当在线学习的热身。在批量学习中，模型一次性完成所有数据的学习。很多在线学习算法使用一个批量/离线算法(以一小批数据为基础)，为模型作启动前的热身。这种做法可以显着加快算法的收敛(convergence)速度。

二、迁移学习

迁移学习将一个领域的知识应用到另一个领域。它将旧的数据、模型和参数用于新问题的解决，对于机器学习模型的终身学习而言至关重要。迁移学习是人与生俱来的能力。举个例子，我们会将已经掌握的语言知识(词汇、语法等)，应用到新语言的学习中。两种语言越是接近，知识迁移就越简单。

三、集成学习

单学习器模型只用一个学习器(算法)，而集成学习使用多个学习器。一般的集成算法包含梯度提升、引导聚集、决策森林、堆栈集成和超级学习器。集成学习可以结合相对较弱(很多情况下，预测精度只略高于随机猜测)的学习器，产生强大、准确的模型。

四、深度学习

深度学习包含多个层，可以学习数据的层级化或多尺度特征。与之相对的是“浅层学习”，即简单地运用普通的机器学习建模算法。通常，浅层学习离不开特征工程(feature engineering)，以保障输入以适当的形式呈现给模型，而深度学习在训练时，就自然而然地学会了这些特征。

总之，四大机器学习策略的运用，在用机器学习算法解决日常业务难题时，机器学习策略是我们要考虑的一个方面，为今后的解决疑难问题而准备，奋力发起，为之而战。