【机器学习】概述
文章目录
- 1. 机器学习三步骤
- 2. 机器学习图谱
- 2.1 任务类型 (Task)
- 2.2 模型选择 (Methods)
- 2.3 学习场景 (Scenario)
1. 机器学习三步骤
-
定义一个模型 (Define a set of function)
- 选择一组合适的函数来表示模型。
-
评估模型好坏 (Goodness of function)
- 找到一个损失函数，用来评价模型的性能。
-
选择最佳函数 (Pick the best function)
- 在模型中选择一个最终的函数，优化其性能。
2. 机器学习图谱
2.1 任务类型 (Task)
-
回归问题 (Regression)
- 输出为数值，是对连续变量的预测。
-
分类问题 (Classification)
- 输出为类别，是对离散变量的预测。
-
结构化问题 (Structured Prediction)
- 机器输出的是具有结构性的结果，如语音识别、机器翻译、人脸识别等。
2.2 模型选择 (Methods)
-
线性模型 (Linear Models)
-
非线性模型 (Non-linear Models)
- DNN / CNN (深度神经网络/卷积神经网络)
- SVM (支持向量机)
- 决策树 (Decision Trees)
- K-NN (K近邻)
-
同样的问题可以使用不同的模型进行解决。
2.3 学习场景 (Scenario)
-
监督学习 (Supervised Learning)
- 数据是有标注的，每个样本都对应一个标签。
-
半监督学习 (Semi-supervised Learning)
- 数据是部分有标注和部分无标注的。
-
无监督学习 (Unsupervised Learning)
- 数据是无标注的，主要关注特征提取而非标签，如聚类、降维等。
-
迁移学习 (Transfer Learning)
- 数据来自不同的类别，有时有标注有时无标注，通过迁移知识进行学习。
-
强化学习 (Reinforcement Learning)
- 机器通过与环境交互获得反馈（奖励/惩罚），如AlphaGo，并基于这些反馈调整策略。