超级会员免费看
本文详述了监督学习的六个步骤，包括确定训练数据类型、构建数据集、特征提取、算法设计、训练和精确性评估。此外，讨论了半监督学习、弱监督学习、一次性学习、自监督学习和零次学习作为监督学习关联范式的合理性。无监督学习的定义和要素也被阐述，强调其无标签数据、发现隐藏特征和数据驱动学习的特点。文章还探讨了强化学习的定义、要素以及与动态规划的关系，指出强化学习与深度学习结合在视频游戏中的成功，并讨论了强化学习在分类和聚类任务中的应用可能性。最后，文章提及迁移学习的重要性及其在不同任务中的逻辑关系。
11.1 简述监督学习的定义及其六个步骤
有监督学习：是用一组已标注的训练数据对机器学习算法进行训练，得到其中最优的一个假设。然后用该假设对未知数据进行处理，实现相应功能。
1确定训练数据类型。即先确定使用何种类型的数据作为训练数据。是文字，还是词语还是一句话
2构建训练数据集。每个训练数据都需要进行标注，标注工作常常是由该领域的专业人员来完成，对每个输入数据标注其输出值，形成数据对，从而构建出训练数据集。
3确定特征提取方法
4设计算法。即设计用于解决既定任务的算法
5训练该算法。即用训练数据集对所设计的算法进行训练。在训练之前需要为算法设定一些特定的参数，随后逐个用训练数据进行调整和优化这些参数值，直到使其性能达到最优，从而得到其中的一个假设。
6 精确性评估：在训练结束后，需要用验证数据集对该假设的精确性进行评估。验证数据集不同于训练数据集。
11.2 本章将半监督学习、弱监督学习、一次性学习、自监督学习、以及零次性学习作为监督学习的关联范式，这样做是否合理？为什么？
半监督学习：除了已标注训练数据外，还利用未标注数据进行训练。半监督学习可以降低人工标注成本，同时利用大量的无标签数据。
弱监督学习：仅采用有限数量的训练数据来训练。弱监督学习可以克服标注难度高或噪声大的问题，提高模型泛化能力。
一次性学习：仅采用一个或少数几个训
订阅专栏 解锁全文
扫一扫
129
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
