5G及未来：机器学习与绿色云计算在无线通信中的应用
1. 机器学习基础概念
数据本身并不等同于信息，从一组数据中未必能直接获取所需信息。训练数据包含有标签数据和无标签数据，并据此预测期望的输出。
- 特征提取：特征提取方法用于描述大量数据，它结合不同参数或变量，能足够准确地描述数据集。恰当优化的特征提取方法有助于构建有效的模型。
- 学习函数与预测：学习函数运用梯度下降算法处理有标签和无标签数据集的单个阈值和权重，进而决定如何操作以做出决策。经过这些关键步骤，系统会得出最终的预测输出。
机器学习在人工智能中的简要分类如下：
| 分类 | 说明 |
| ---- | ---- |
| 知识表示 | - |
| 规划 | - |
| 监督学习 | 使用有标签数据训练机器以获得期望的已知输出 |
| 半监督学习 | - |
| 无监督学习 | 从无标签数据中学习模式 |
| 强化学习 | 通过映射情况到动作并比较以最大化长期奖励来做选择 |
| 迁移学习 | 解决一个问题时获取并存储知识，应用于相关问题 |
| 决策树学习 | 监督学习中的一种算法 |
| 深度神经网络 | 用于图像识别、通道估计等多种任务 |
| 支持向量机 | 用于用户位置预测等 |
| K - 均值聚类 | 无监督学习中的算法，用于频谱感知等 |
| 混合模型 | - |
| 自编码器 | 用于降维、信号检测等 |
| Q - 学习、
