机器学习为什么会被提出?
让物体而有人的识别、处理模式可看做一种人工智慧(智能)。
以阶段划分:
- 人工智慧(能) 是要达成的目标;
- 机器学习 是达成目标的手段;借以这种系统“机器”通过不断地实践来的的学习实现智能化;而深度学习(非线性模型)这个热词是实现机器学习的一种。
- 深度学习 是实现机器学习的一种方式
它跟“先天”(预设)的能力不同,“先天”是与生俱来,也就意味着这需要设计师,往往这样的成果是通过记录许多的案例(If else)来实现所谓的“智能”:伪智能,无法利用一直在发展的数据,具有时空上发展的“人为”限制。
机器学习的三个步骤:
- 确认(选择)某个可实现的近似无穷个函数的集合:模型
- 利用模型的结果去判断模型的“好坏”
- 有训练数据检验
Regression 回归 & Classification 分类
这两种概念是一个大类,大部分的机器学习都是基于这两项工作
回归的输出是一个数值
分类:是一种类别的识别
分类可以简单归为:二分类、多分类
机器学习方式
1. supervised learning 监督式学习
人为的用正确或错误两种识别实现一种实践,往往标注出的是 label。
需要大量的训练数据;为了减少数据的摄入量,有以下两种方式:
1.2 半监督式学习
自己会用到未经处理的数据。
1.3 迁移式学习 ![](https://i-blog.csdnimg.cn/blog_migrate/23a051ce6dc97a2545250c684e395447.png)
1.4 无监督学习
无监督学习是完全没有任何 label 的自发的学习。
2. structured learning 结构式学习
以什么样的形式(结构)输出。
3. reinforcement learning 强化学习
监督学习中我们会告诉机器正确答案是什么,机器有一个人当他家教在他旁边手把手的教他每件事情,这就是监督学习。
在 强化学习 中,没有告诉机器正确的答案是什么,机器所拥有的只有一个分数,就是他做的好还是不好。它不知道,也没有人告诉它哪里做的不好,它要反省检讨哪一步做的不好。机器要在 reinforcement learning 的情况下学习,机器是非常 intelligence 的。 reinforcement learning 也是比较符合我们人类真正的学习的情景。
这里不需要数据进行监督训练。