前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家:点击跳转
目录
三,半监督学习 Semi-supervised Learning
一,机器学习
machine learning所做的事情,你可以想成就是在寻找一个function,要让机器具有一个能力,这种能力是根据你提供给他的资料,它去寻找出我们要寻找的function。还有很多关键问题都可以想成是我们就是需要一个function。
机器学习可以分为如下5个领域:
- 监督学习 Supervised Learning
- 半监督学习 Semi-supervised Learning
- 无监督学习 Unsupervised Learning
- 迁移学习 Transfer Learning
- 强化学习 Reinforcement Learning
二,监督学习 Supervised Learning
1,监督学习分类
- 回归 Regression
- 分类 Classification
- 结构化学习 Structured Learning
2,训练数据、标签
监督学习需要大量的training data。training data告诉我们要找的function的input和output之间的关系。如果我们在监督学习下进行学习,我们需要告诉机器function的input和output是什么。
这个output往往没有办法用很自然的方式取得,需要人工的力量把它标注出来,这些function的output叫做label。
3,回归、深度学习
回归包括线性回归、最小二乘回归、LOESS局部回归、神经网络深度学习。
中学数学中,学习了一元一次线性回归,及其最小二乘法:
而实际上,所有的线性回归都可以用最小二乘法来求。
但最小二乘法只能解决线性回归,而回归 Regression_regress回归的方差-CSDN博客介绍的通过梯度下降法寻找损失函数最小值的方法,适用于更广泛的回归问题。
深度学习,就是利用神经网络的思想,利用梯度下降法做回归。
三,半监督学习 Semi-supervised Learning
假设你先想让机器鉴别猫狗的不同。你想做一个分类器让它告诉你,图片上是猫还是狗。你有少量的猫和狗的labelled data,但是同时你又有大量的Unlabeled data,但是你没有力气去告诉机器说哪些是猫哪些是狗。在半监督学习的技术中,这些没有label的data,他可能也是对学习有帮助。
四,无监督学习 Unsupervised Learning
如果在完全没有任何label的情况下,到底机器可以学到什么样的事情。
1,无监督学习分类
- 聚类
- 降维算法
五,迁移学习 Transfer Learning
迁移学习的意思是:假设我们要做猫和狗的分类问题,我们也一样,只有少量的有label的data。但是我们现在有大量的data,这些大量的data中可能有label也可能没有label。但是他跟我们现在要考虑的问题是没有什么特别的关系的,我们要分辨的是猫和狗的不同,但是这边有一大堆其他动物的图片还是动画图片(凉宫春日,御坂美琴)你有这一大堆不相干的图片,它到底可以带来什么帮助。这个就是迁移学习要讲的问题。
六,强化学习 Reinforcement Learning
在reinforcement learning里面,我们没有告诉机器正确的答案是什么,机器所拥有的只有一个分数,就是他做的好还是不好。