首页天道酬勤,

,

张世龙 05-06 03:53 11次浏览

监督学习

监督学习是目前最常见的机器学习类型。 给定一组示例,可以学习将输入数据映射到已知目标。 一般来说,近年来越来越引人注目的深度学习APP应用大多是光学字符识别、语音识别、图像分类、语言翻译等监控学习。

监督学习主要包括分类和回归,但还有许多变化,主要包括:

1、序列生成。 给出图像,预测描述图像的文字。 序列生成可以表现为一系列分类问题,如重复预测序列中的单词或标签。

2、语法树预测(syntax tree prediction )。 给出句子,预测其分解生成的语法树。

3、目标检测。 给出图,在图中的特定目标周围画边框。 这个问题也可以表现为分类问题(给出多个边界框候补,按框内的目标进行分类的问题)或分类和回归的联合问题(用向量回归预测边界框坐标的问题)。

4、图像分割。 给定图像,在特定物体上绘制像素级遮罩。

没有教练学习

无监督学习旨在通过在无目标的情况下查找输入数据的有趣变化,更好地了解数据可视化、数据压缩、数据去噪或数据中的相关性。 无监督学习是数据分析的必备技能,在解决监督学习之前通常是必要的步骤。 “降维”(dimensionality reduction )和群集)是众所周知的无监督学习方法。

自我监督学习

自我监督学习是监督学习的特例,它与众不同,值得单独分类。 自我监视学习是没有人工标记的监视学习,可以看作是没有人类参与的监视学习。 标签仍然存在,但需要一些东西来监控学习过程。 但是,它们是从输入数据生成的,通常是使用启发式算法生成的。

加强学习

强化学习一直以来被忽视,随着谷歌的DeepMind公司成功应用于学习并玩蚂蚁游戏(以及之后学习围棋达到了最高水平),机器学习的这一分支开始受到关注。 在强化学习中,主体学习接收有关环境的信息,选择最大化某种报酬的行动。 例如,可以通过强化学习训练的神经网络,“观察”视频游戏的屏幕,输出游戏操作。

目前强化学习主要集中在研究领域,除游戏外没有取得实践上的巨大成功。 但是,自动驾驶汽车、机器人、资源管理、教育等强化学习的未来有望实现越来越多的实际应对。

,