提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
目录
2.半监督学习(Semi-supervised learning)
4.无监督学习(Unsupervised Learning)
5.监督学习中的结构化学习(Structured Learning)
6.强化学习(Reinforcement Learning)
前言
提示:这里可以添加本文要记录的大概内容:
随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。
提示:以下是本篇文章正文内容,下面案例可供参考
一、机器学习是什么?
简单来说,人工智慧是我们想要达到的目的,机器学习就是我们达成目标的方法。通过机器学习,我们希望机器能够和人类一样聪明。
机器学习所做的事情,可以想象成在寻找一个function,似的机器拥有一个能力,这种能力是根据我们提供的资料,机器来寻找出我们要寻找的function。
在整个机器学习的过程中分为三个步骤,第一个步骤是寻找一个function,第二个步骤是让机器可以衡量一个function是好还是坏,第三个步骤是让机器有一个自动的方法,有一个好演算法可以挑选出最好的function。
二、机器学习相关的技术
1.监督学习(Supervised Learning)
(1)regression:回归
如果机器学习中,机器找到的function的输出是一个标量,那么这个function叫做regression。
(2)classification:分类
regression和classification的差别是机器学习输出的类型不一样,regression中机器输出的是一个数值,而classification中机器输出的是类别。
如果classification问题分为两种,那么一种是二分类,一种是多分类。
二分类就是给出一个选择题,例如判断一个邮件是否为垃圾邮件。给机器一大堆的数据并且告诉他,这封邮件应该说是垃圾邮件,那封邮件应该说不是垃圾邮件。只要你给他足够多的资料去学,它就可以自动找出一个可以侦测垃圾邮件的function。
多分类例如让机器帮你把一堆新闻分类,将它们按照政治、财经、教育等分类。输入一篇新闻,输出是新闻是哪一种类别。
(3)选择function set 即model
model有很多种,最简单是线性模型,但我们会花很多时间在非线性模型中,非线性模型中最耳熟能详的是Deep learning深度学习。由于深度学习的function特别复杂,因此它可以做复杂的事情,比如说影像识别。
2.半监督学习(Semi-supervised learning)
在监督学习中,我们往往需要大量的training data。training data告诉我们要找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。
要减少label的量的办法,就是半监督学习。
在半监督学习中,你有少量的labelled data,同时用大量的Unlabeled data。这些没有label的data,可能对学习有帮助。
3.迁移学习(Transfer Learning)
另一个减少data用量的方法就是迁移学习。
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,只要少量的有label的data。但是我们有大量的data,这些data中可能有label,也可能没有。但是他跟我们选择要考虑的问题是没有什么特别的关系的,我们要分辨是猫和狗的不同,但是这边有一大堆其他动物的图片和动画图片,它到底会带来什么帮助,这个就是迁移学习。
4.无监督学习(Unsupervised Learning)
无监督学习,我们希望机器可以做到无师自通。
如果在完全没有label的情况下,机器到底可以学到什么事情。
5.监督学习中的结构化学习(Structured Learning)
在机器要解的问题中我们讲了regression,classification,还有一类问题是structured learning。
structured learning中让机器输出的是要有结构化的,举例来说:在语言辨识里面,机器输入的是声音讯号,输出是一个句子。句子是要很多词汇拼凑而成的,是一个有结构的object。或者说在机器翻译里面你说一句话,你输入中文希望机器翻译成英文,它的输出yes有结构化的。再或者你做人脸识别,机器将分辨的人物标识出来,它也是structured learning。
6.强化学习(Reinforcement Learning)
若将强化学习和监督学习比较时,在监督学习中我们会告诉机器正确答案是什么,而在强化学习中,我们没有告诉机器正确的答案是什么,机器拥有的只有一个分数,我们来告诉它做的好还是不好,它比较符合我们人类真正的学习过程。
总结
以上就是今天要讲的内容,本文仅仅简单介绍了机器学习以及机器学习相关的技术。