首页天道酬勤半苦半乐半自在,半人半我半自在什么意思

半苦半乐半自在,半人半我半自在什么意思

张世龙 05-06 03:50 42次浏览

监督学习:给孩子们课后有答案的试卷,让孩子们自己做题,自己校对答案;

无监督学习:例如,参加一些开放的竞赛(例如数学建模竞赛),出题者只出主题。 参与者必须根据主题找到结构和规则,才能解决问题。 在老师不在的情况下,学生自学的过程。 学生在学习过程中,自己总结和总结知识。 在无监督学习中,类似分类和回归中的目标变量不预先存在。 回答的问题是“从数据x中能发现什么?” )

半监督学习:家教、家教老师教学生一两个例题的想法,然后给学生出没有答案的课后习题,在学生放学后自己完成。

认真的回答:

a )监控学习是最常见的机器学习,其训练数据有标签,训练目标是能为新数据(测试数据)打上正确的标签。

例如,假设你想让AI知道什么是猫和狗。 首先,一些猫的图像和狗的图像(带标签)一起训练,学习模式不断捕捉这些图像和标签的联系进行自我调整和完善。 然后,给出没有标签的新图像,让该AI推测这些图像是猫还是狗。

经典算法:支持向量机、线性判别、决策树、朴素

b )无监督学习常用于数据挖掘,用于在大量无标记数据中发现某些东西。 其训练数据没有标签,目标是能够对观察值进行分类和区分。 无监督学习对无监督学习使用无标签的数据。 机器积极学习数据的特点,并将其分为几个类别。 这相当于制作“未知的标签”。

非监督性学习只给出特征,没有给出标签。 高考前的几份模拟试卷,没有标准答案。 也就是说,没有参照对还是错。 但是,我们可以根据这些问题之间的联系来分离国语、数学、英语。

通常,无监督学习是指从不需要人工注释的样本中提取信息。 例如word2vec。

经典算法: k-聚类、主成分分析等

c )半监督学习介于两者之间。 该算法包括对常见的监控学习算法的扩展,这些算法首先尝试对未识别的数据建模,然后预测识别的数据。 半监督学习下隐藏的基本规律是,数据的分布必然不是完全随机的,而是有标签的数据的局部特征和没有标签的数据的整体分布可以接受,或者得到非常好的分类结果。 (此处大量忽略细节)

例如,在许多实际问题中,带标签的数据很少,因为给数据加标签的成本有时很高。 例如,找到照片并给照片上的猫贴上标签(lable )很麻烦,但猫的各种姿势的猫电影在网上搜索得堆积如山。 那么,可以手动标记部分猫,让AI学习训练,留下未标记猫的照片进行实验吗?

经典算法: SVMs半监督支持向量机

1 .从数据设置来看:

监控学习任务:根据标记的训练数据训练模型。 主要分为分类任务、回归任务、序列标注任务。

无监控学习任务:未标记为训练模型的训练数据。 主要分为聚类任务、降维任务。

半监督学习任务:用大量未加标签的训练数据和少量加标签的数据训练模型。

2 .典型方法:

无监督学习: k-聚类、主成分分析等;

监督学习:支持向量机、线性判别

半监督学习: S3VM、S4VM、CS4VM、TSVM;

半监督学习方法的例子不恰当,毕竟半监督学习方法有很多分类。 我有的几个例子[2]都是把半监督学习思想引用到SVM算法中发展起来的啊。

弱监督和半监督区别,半定量试纸转弱后又加深