数据分析-深度学习 Tensorflow Day1

人工智能绪论

1.人工智能，机器学习，神经网络，深度学习之间关系

2.机器学习分类

机器学习可以分为有监督学习(Supervised Learning)、无监督学习(Unsupervised

Learning)和强化学习(Reinforcement Learning)

• 有监督学习 有监督学习的数据集包含了样本𝒙与样本的标签𝒚，算法模型需要学习到映射𝑓𝜃: 𝒙 → 𝒚，其中𝑓𝜃代表模型函数，𝜃为模型的参数。在训练时，通过计算模型的预测值𝑓𝜃(𝒙)与真实标签𝒚之间的误差来优化网络参数𝜃，使得网络下一次能够预测更精准。常见的有监督学习有线性回归，逻辑回归，支持向量机，随机森林等。

• 无监督学习 收集带标签的数据往往代价较为昂贵，对于只有样本𝒙的数据集，算法需要自行发现数据的模态，这种方式叫做无监督学习。无监督学习中有一类算法将自身作为监督信号，即模型需要学习的映射为𝑓𝜃: 𝒙 → 𝒙，称为自监督学习(Self-supervised Learning)。在训练时，通过计算模型的预测值𝑓𝜃(𝒙)与自身𝒙之间的误差来优化网络参数𝜃。常见的无监督学习算法有自编码器，生成对抗网络等。

• 强化学习 也称为增强学习，通过与环境进行交互来学习解决问题的策略的一类算法。与有监督、无监督学习不同，强化学习问题并没有明确的“正确的”动作监督信号，算法需要与环境进行交互，获取环境反馈的滞后的奖励信号，因此并不能通过计算动作与“正确动作”之间的误差来优化网络。常见的强化学习算法有DQN，PPO 等。

3.深度学习与其它算法比较