类似于机器学习,特征学习可以被分为两类:监督式特征学习(Supervised Representation Learning)和无监督式特征学习(Unsupervised Representation Learning)。
-
监督式特征学习
被标记过的数据被当做特征用来学习。例如神经网络(Neural Networks),多层感知器(Multi-Layer Perception),监督字典学习(Supervised Dictionary Learning)。 -
无监督式特征学习
未被标记过的数据被当做特征用来学习。例如无监督字典学习(Unsupervised Dictionary Learning),主成分分析(Principal Component Analysis),独立成分分析(Independent Component Analysis),自动编码(Auto-encoders),矩阵分解(Matrix Factorization) ,各种聚类分析(Clustering)及其变形。
一个好的特征学习可以帮助我们更容易提取出数据的有用信息从而用于分类或预测。特征学习已经被广泛应用于人工智能和机器学习领域,如语音识别 (Speech Recognition),信号处理(Signal Processing),物体识别(Object Recognition),自然语言处理(Natural Language Processing)以及强化学习(Reinforcement Learning)。通过学习语音、信号、图像、语言文字等输入数据提取出有用的特征,然后应用到不同的任务上。近几年,深度强化学习(Deep Reinforcement Learning)通过特征学习视频游戏的图像信息,从而学会接下来如何采取行动才能在游戏中得到最多的奖励,从而在很多电脑游戏中达到人类专家的水平。