机器学习领域的几种主要学习方式
1.supervised learning(监督式学习):为算法提供多组 标准的 数据和对应答案,算法学习到之间的联系而能够为其他的数据输入提供接近标准的答案。
regression problems(回归问题)如平方数和房价呈函数型,这种场景下预测的数据是连续的。classification problems(分类问题)如肿瘤大小和良/恶性(或者大小+年龄和良/恶性),场景下需要预测的数据是离散的(不连续的)(vector machine:通过向量来将多个特性数据映射到多维的空间里)。
Q1:怎么证明算法是有效的或得到一个相当高的精度?Q2:什么样的算法能够很好的近似不同的函数,需要多少的training datas(训练数据)?
2.unsupervised learning(无监督学习):提供没有标准答案的多组数据,算法的目的是得到数据的特征的内部结构,例如发现声音的音色、音调,物体的光影、轮廓。
clustering(聚类):应用于图像处理和计算机视觉来读取照片上反应的真实世界的3D结构(人眼对物体的观察)。
ICA algorithm(独立分量法)
3.reinforcement learning(强化学习):提供的输入数据直接对模型进行反馈,模型立刻响应、做出调整(收集回报,避免惩罚)。常见的应用场景包括动态系统以及机器人控制、网页爬虫等。