想要：更多类型的机器学习

ML（机器学习）很方便。 现在，公共云计算已经变得便宜了，我看到所有类型的基于云的应用程序都有效地应用了该技术。

基本上，机器学习分为三种类型。

[ 也在InfoWorld上：人工智能，机器学习和深度学习：您需要知道的一切 ]

• 有监督的学习意味着我们必须直接训练知识库，提供数据标签，例如人，动物或植物的图像。 这倾向于与ML的事务性使用更加吻合，例如发现欺诈性支票，面部识别，甚至识别导致常见诊断的数据模式。 我最主要使用这种类型的ML。
• 无监督的 收入不需要训练的标签数据。 这种类型的ML可以学习以人类方式对数据进行分组，聚类和/或组织。 我已经使用这种类型的机器学习为网站建立推荐引擎，这些网站希望通过推荐可能引起客户兴趣的产品来促进销售。
• 强化学习实际上是从错误中学习，就像人类一样。 您需要向知识引擎提供某种信号，以将良好行为与正向标志关联，将不良行为与负向标志相关联。 这个想法是为了加强对不良行为的偏好。 您会在视频游戏和模拟中找到这种类型的ML。

当然，许多博士 这些论文和学术文章也确定了其他类型的人工智能或机器学习。 我在这里列出的是大多数基于云的ML工具支持的类型。

对我来说，问题是我提到的ML组可能是有限的。 考虑动态组合所有类型，并在训练数据处理过程中调整方法，类型或算法，无论是大负荷还是交易。

有争议的是用例并不真正适合这三类。 例如，我们有一些标记的数据和未标记的数据，并且我们正在寻找ML引擎来识别数据本身和数据中的模式。 我们大多数人都没有完善的训练数据，如果ML引擎本身可以为我们解决问题，那就太好了。

除少数例外，我们必须选择有监督或无监督的学习方法，仅解决部分问题，并且我们可能没有使它有用的培训数据。 此外，由于数据在交易应用程序中使用，例如识别正在进行的欺诈交易，因此我们缺乏提供强化学习的能力。

有多种方法可以创建“以上所有方法”，但是它需要对训练数据和算法进行一些繁重的工作。 这通常涉及数据的键入，并对数据（单数和组）应用适当的算法（ML类型）。 所有这些自定义意味着您将必须维护ML应用程序，数据和ML处理方式。 您不想作为企业IT从事该业务。

这里的电话很简单：现在是时候考虑一​​下ML作为AI世界中更大的参与者的下一步发展了。 这意味着寻找新的方法来更加动态地进行操作，并着眼于灵活性。

From: https://www.infoworld.com/article/3511938/wanted-more-types-of-machine-learning.html