所有机器学习的算法可以分为4到5 类:
监督学习(SUPERVISED LEARNING)
如果在学习的过程中,我们不断的向计算机提供数据和这些数据所对应的值(标签),通过指引的方式,让计算机学习我们是如何把这些图片数据对应上图片所代表的物体,也就是让计算机学习这些标签可以代表那些图片,这种方式就叫做“监督学习(SUPERVISED LEARNING)”
神经网络是一种监督学习算法
非监督学习(UN-SUPERVISED LEARNING)
如果同样在这种学习过程中,我们只给计算机提供猫和狗的图片,但是并没有告诉他哪些是猫,哪些是狗,让他自己去判断和分类,让她自己总结去两种图片的不同之处,这就是“非监督学习(UN-SUPERVISED LEARNING)”,在这一种学习过程中,我们可以不用提供数据所对应的标签信息,计算机通过观察各种数据之间的特性,会发现这些特性背后的规律,这些规律也就是非监督算法学到的东西
半监督学习(SEMI-SUPERVISED LEARNING)
还有一种方法综合了监督学习和非监督学习的特征,这种叫做“半监督学习(SEMI-SUPERVISED LEARNING)”它主要考虑如何利用少量有标签的样本和大量没标签的样本进行训练和分类,
强化学习(REINFORCEMENT LEARNING)
在规划计算机的行为准则方面,一种机器学习方法叫做“强化学习(REINFORCEMENT LEARNING)”也就是把计算机丢到一个对于他完全陌生的环境或者让他完成一项从未接触过的任务,他自己会去尝试各种手段,最后让自己成功适应这一陌生环境,或者学会完成这件任务的方法途径
遗传算法(GENETIC ALGORITHM)
还有一种和强化学习算法类似的学习方法,叫做遗传算法(GENETIC ALGORITHM)这一种方法是模拟我们熟知的进化理论,淘汰弱者,适者生存,通过这种淘汰机制去选择最优的设计或者模型