分类1 (知识的最终形式)
分类2 (你学习的效果)
其中semi-supervised 表示半监督学习,他只有一部分的数据有标签,其他的没有。 他希望用更少的标签,做更多的事。因为有的数据做标签是很昂贵的。
* 都学到了
* 都没学到
* 学到了一些
* 迷迷糊糊,混沌状态(开玩笑的)
reinforcement learning 表示增强学习。他的情况是,输出的 yn 并不绝对,也不一定会和最终的类相同。只是会对模型的输出做一定的惩罚或者奖励。
分类3 (你学习的方法)
batch learning:一次就把所有的数据给模型,让模型学习。有点填鸭式学习。
online learning:就是线上学习。即一次来一个数据进行学习,比如PLA。举例来说,垃圾邮箱分类器,来一个邮件,分类器就把邮件分类,但之后我们发现告诉他分错了,然后分类器的参数就进行一定的调整。
active learning:就是主动学习。让模型主动学习,发现不确定,模拟不出来的数据时,再向人类请教。
分类4 (知识的来源)
concrete features : 特征已经经过人类的经验进行了预处理。可直接用于训练模型。
raw features:原始特征,未经加工的特征。必须经过处理才可用。
abstract features:抽象特征。未经加工的特征。必须经过处理才可用。
以上4点总结:
这次比较信息量太小了!!!