机器学习分以下几种
监督学习
比如让一个小孩认识白菜、红萝卜的区别,给他看一百张白菜 一百张红萝卜的照片,让他自己理解猫狗的区别,则他就学习了白菜、红萝卜的识别。
给定一组带有标签(例如是或否、0或1)的图像,算法会学习如何将新的未标记图像分类为其中的一种。
非监督学习
把两百张照片丢给一个小孩,告诉他 你觉得那几种照片长得像,就把他们分开放一起,最后自动会生成白菜、红萝卜的两组 或者几组其他的。
可以将一组未标记的图像分为多个组,每个组中的图像都具有相似的特征。
半监督学习
半监督学习,先给小孩各看两张白菜、红萝卜的照片,告诉他这是白菜还是红萝卜,然后把剩余的照片给他,让他自己学习。
这种方法通常用于大型数据集,其中标记数据的收集成本很高,但无标记数据相对较容易获得。
强化学习
一步步引导,说"白菜是有叶子的",你看看哪张照片里面有叶子的,如果正好选了红萝卜的照片有叶子就皱眉(分数底),再次引导说,"哎呀宝贝你太聪明了,马上就对了,红萝卜是红色的,你知道选哪个了吧",一步步引导直到正确答案。
训练一个机器人在迷宫中移动,机器人会根据它所采取的行动获得奖励或惩罚。
深度学习
监督学习和非监督学习是两种不同的学习方式,深度学习是一种能够在这两种学习方式下进行有效学习的技术。
它利用多层神经网络来学习数据的表示和特征提取,以实现高效的数据分析和预测。它通过多层非线性变换来提高模型的表达能力,可以处理更加复杂的数据,并在图像、语音识别、自然语言处理、推荐系统等领域中取得了很大的成功。
深度学习的核心是神经网络模型,它由多个层次组成,每个层次都包含多个神经元,神经元之间相互连接,通过对输入数据进行加权和计算来生成输出结果。在深度学习中,通过不断地调整网络的权重和参数,以最小化损失函数,来训练模型并提高其性能。