目录
一、机器学习介绍
1.概述
通过学习而不是判断确定一个对象的信息
机器学习:根据你给你的资料,做出相对应的动作或者辨析。
步骤:定义function-衡量function的方法-定义一个最优化的function
框架:training、testing
回归---分类---深度学习、svm、decision---
2.相关技术
2.1监督学习
supervised learning(监督学习),需要大量的training data,需要人工标定input和output,function的output叫做label,需要人工的力量把它标注出来。training data告诉我们要找的function的input和output之间的关系。
2.1.1任务导向,由machine去解的任务
Regression(回归):数值输出
Classification(分类):类别输出(是非或者多分类)
2.1.2过程中第一步就是要选择function set,每一步选择一个function
模型:1、线性模型 2、非线性模型:deep learning 、machine learning(SVM(支持向量机)、decision tree(决策树)、K—NN(近邻))
2.2 半监督学习
半监督学习使用大量的未标记数据,以及同时使用标记数据,来进行模式识别工作。当使用半监督学习时,只有很少的人员来从事工作,同时,又能够带来比较高的准确性。
2.3 迁移学习
通俗的来讲,迁移学习就是运用已有的知识来学习新的知识,例如学会了骑自行车的人也能较快的学会骑电动车。较为常用的一种迁移学习方式是利用预训练模型进行微调,即用户基于当前任务的场景从PaddleHub中选择已训练成功的模型进行新任务训练,且该模型曾经使用的数据集与新场景的数据集情况相近,此时仅需要在当前任务场景的训练过程中使用新场景的数据对模型参数进行微调(Fine-tune),即可完成训练任务。
2.4 无监督学习
根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题,称之为无监督学习。
根据聚类或一定的模型得到数据之间的关系。它的训练数据是无标签的,训练目标是能对观察值进行分类或者区分等。例如无监督学习应该能在不给任何额外提示的情况下,仅依据所有“猫”的图片的特征,将“猫”的图片从大量的各种各样的图片中将区分出来。
无监督主要有三种:聚类、离散点检测和降维。
2.5 强化学习
reinforcement learning,和监督学习的手把手教学不同,强化学习是通过不断地碰壁,以结果地反馈认识对和错,以此不断地强化学习内容和认知。