活动地址:CSDN21天学习挑战赛
目录
弱监督学习(Weakly Supervised Learning)
机器学习(Machine Learning)
基本概念
机器学习使计算机能模拟人的学习行为,自动地通过学习来获取知识和技能,不断改善性能,实现自我完善。
作为人工智能的一个研究领域,机器学习主要研究以下三方面问题:
1.学习机理
2.学习方法
3.学习系统
机器学习的分类
1.按系统的学习能力分类
有监督学习、无监督学习和弱监督学习
2.按学习方法分类
按学习时所用的方法进行分类,按学习方法是否为符号表示来分类。
3.按推理方法分类
基于演绎的学习和基于归纳的学习
4.按综合属性分类
归纳学习、分析学习、连接学习以及遗传算法与分类器系统等。
监督学习(Supervised Learning)
利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程,也称为监督训练或有教师学习。
监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中,每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据,并产生一个推断的功能,其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种"合理"的方式从一种从训练数据到看不见的情况下形成。
无监督学习(Unsupervised Learning)
一种次要的非监督学习类型称之为聚合(clustering)。这类学习类型的目标不是让效用函数最大化,而是找到训练数据中的近似点。聚合常常能发现那些与假设匹配的相当好的直观分类。例如,基于人口统计的聚合个体可能会在一个群体中形成一个富有的聚合,以及其他的贫穷的聚合。
弱监督学习(Weakly Supervised Learning)
弱监督学习可以分为三种典型的类型,不完全监督(Incomplete supervision),不确切监督(Inexact supervision),不精确监督(Inaccurate supervision)。
不完全监督是指,训练数据中只有一部分数据被给了标签,有一些数据是没有标签的。
不确切监督是指,训练数据只给出了粗粒度标签。我们可以把输入想象成一个包,这个包里面有一些示例,我们只知道这个包的标签,Y或N,但是我们不知道每个示例的标签。
不精确监督是指,给出的标签不总是正确的,比如本来应该是Y的标签被错误标记成了N。
半监督学习
一种典型的弱监督学习方法。在半监督学习中,只有少量又标注的数据,还有大量未标注的数据可供使用。
迁移学习
迁移学习侧重于将已经学习过的知识迁移应用到新的问题中。
它就是把为任务 A 开发的模型作为初始点,重新使用在为任务 B 开发模型的过程中。迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务,虽然大多数机器学习算法都是为了解决单个任务而设计的,但是促进迁移学习的算法的开发是机器学习社区持续关注的话题。
强化学习
强化学习是弱监督学习的一类典型算法。
强化学习强调如何基于环境而行动,以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论,即有机体如何在环境给予的奖励或惩罚的刺激下,逐步形成对刺激的预期,产生能获得最大利益的习惯性行为。
示例学习(Instance Learning)
又称实例学习或从例子中学习。示例学习是通过从外部环境中取得若干与某概念有关的例子,经归纳得出一般性概念的一种学习方法。
深度学习(DL, Deep Learning)
深度学习是一种特征学习方法,把原始数据通过一些简单的但是非线性的模型转变成更高层次的。更抽象的表达。通过足够多的转换的组合,非常复杂的函数也可以被学习。深度学习的是实质是通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而提升分类或预测的准确性。
与人工规则构造特征的方法相比,深度学习利用大数据来学习特征,更能够刻画数据的丰富内在信息。深度学习具有较多层的隐层节点,通过逐层特征变换,将样本在原空间的特征表示变换到一个新特征空间,从而使分类或预测更加容易。