【极简概述】4种不同类别的机器学习

机器学习算法与Python实战

共 1791字,需浏览 4分钟

 ·

2021-09-07 20:24

导读:机器学习涉及方方面面的内容,包含许多不同类型的算法,其学习方式也不相同。我们将简要介绍这些学习方式及其对应的情景。


作者:列奥纳多·德·马尔希(Leonardo De Marchi),劳拉·米切尔(Laura Mitchell)
来源:大数据DT(ID:hzdashuju)



我们可以根据算法执行学习的方式将它们分为以下不同类别:

  • 有监督学习
  • 无监督学习
  • 半监督学习
  • 强化学习


01 有监督学习

有监督学习是目前商业过程中最常见的机器学习形式。这些算法试图找到映射输入和输出的函数的一个很好的近似。

为此,顾名思义,我们需要自己为算法提供输入值和输出值,并且尝试找到一个能够使预测值和实际输出值之间误差最小的函数。

学习阶段称为训练(training)。模型经过训练后,可以针对未见过的数据预测输出。此阶段通常被视为评分或预测,如图1-1所示。

▲图 1-1


02 无监督学习

无监督学习适用于未标记的数据,因此我们不需要实际的输出值,仅需要输入。它尝试在数据中查找模式并根据这些共同属性做出反应,将输入划分为多个不同聚类(如图1-2所示)。

▲图 1-2

通常,无监督学习通常与有监督学习结合使用,以减少输入空间并将数据中的信号集中在较少数量的变量上,但无监督学习还有其他目标。从这个角度来看,当标记数据很昂贵或不太可靠时,无监督学习比有监督学习更适用。

常见的无监督学习技术有聚类(clustering)和主成分分析(Principal Component Analysis,PCA)、独立成分分析(Independent Component Analysis,ICA),以及一些神经网络,例如生成对抗网络(Generative Adversarial Network,GAN)和自编码器(Autoencoder,AE)。


03 半监督学习

半监督学习是介于有监督学习和无监督学习之间的一种技术。它可以说不属于机器学习中一个单独的类别,而只是有监督学习的一种泛化,但在这将其单独列出是有用的。

其目的是通过将一些有标记的数据扩展到类似的未标记数据,从而降低收集标记数据的成本。我们把一些生成模型分类为半监督学习。

半监督学习可以分为直推学习和归纳学习。直推学习适用于推断未标记数据的标签,归纳学习适用于推断从输入到输出的正确映射。

我们可以看到此过程与我们在学校学习的大多数过程相似。老师向学生展示一些例子,并让学生回家完成作业。为了完成这些作业,他们需要进行泛化。


04 强化学习

强化学习(RL)是我们目前所见的最独特的类别。这个概念非常有趣:该算法试图找出一个策略来最大化奖励总和。

该策略由使用它在环境中执行动作的智能体来学习。然后,环境返回反馈,智能体使用该反馈来改进其策略。反馈是对所执行动作的奖励,可以是正数、空值或负数,如图1-3所示。

▲图 1-3

关于作者:列奥纳多·德·马尔希(Leonardo De Marchi),目前是Badoo的数据科学家主管,Badoo是世界上的大型交友网站之一,拥有超过4亿名用户。他也是ideai.io(一家专门从事机器学习培训的公司)的首席教练,为大型机构和有活力的初创企业提供技术和管理培训。他拥有人工智能专业硕士学位,曾在体育界担任数据科学家。
劳拉·米切尔(Laura Mitchell),目前是Badoo的首席数据科学家。Laura在NLP、图像分类和推荐系统等项目的交付方面具有丰富的实践经验,包括从最初的构思到产品化。她热衷于学习新技术并紧跟行业趋势。

本文摘编自神经网络设计与实现》,经出版方授权发布。

延伸阅读神经网络设计与实现
点击上图了解及购买
转载请联系微信:DoctorData

推荐语:本书是一本神经网络实践进阶指南,适合对AI和深度学习感兴趣并且想进一步提高技能的读者阅读。


推荐阅读

(点击标题可跳转阅读)

神经网络入门

统 计 学 无 用 了 ?

我的深度学习之路

23个优秀的机器学习数据集

台大美女教授陈缊侬:《应用深度学习》

李宏毅《机器学习》视频教程 PPT

老铁,三连支持一下,好吗?↓↓

浏览 26
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报