L3 各式機器學習問題
分类:
- 根据输出空间 y
- 根据数据样本标签 yn
- 根据Protocol f
- 根据输入空间 X
1 根据输出空间 y 来分
- 二元分类
- 多类别分类
- 线性回归:输出为实数
- Structural Learning
et
2 根据样本标签来分
- 监督学习:训练样本数据有标签
- 非监督学习:训练样本数据没有标签
- 半监督学习:训练样本数据只有一部分标签,这样对于大量的数据,可以省去人为做标签需要的时间等等麻烦
- Reinforcement Learning
宠物训练——奖励/惩罚方法使得达到正确的效果or结果;一步步地将算法变得越来越好。
无监督学习应用:
半监督学习
Reinforcement Learning
强化学习更接近一种自然学习方式,用过奖励惩罚的方法来使得正确的结果慢慢地显现。
Mini Summary
3 根据Protocol 【类似学习过程的类型】
- Batch Learning(成批成批地输入样本数据,Andrew有讲)
- Online Learning(在线的学习,动态的,数据过来,然后又出去,Andrew有讲到)
- Active Learning(主动学习,机器自动问问题,有技巧地问问题)
Mini summary
- Batch Learning(主要讲的)
- Online Learning
- Active Learning
4 根据输入空间 X
根据输入的样本的特征,已知的,详细的,需要人提取的,机器提取的,非常抽象的
- Concrete Features 比较详细了,对机器学习来说是比较容易的
-
Raw Features 原始的“信号”来提取特征
1、人为提取:【特征工程】,机械故障中就是人为的
2、机器提取:【深度学习】
-
Abstract Feature
更加抽象的,比较困难,电影评分预测问题等等。
参考Andrew中的电影评分。
Mini Sum
总结
主要讲的还是中括号中的简单的机器学习方法,后期的在机器学习基石中讲。
感谢林轩田老师、何君彦老师、李俊良老师!