当前位置：首页 > article >正文

机器学习相关知识概述

article 2025/3/11 9:24:46

1.1 机器学习

定义一

机器学习：采用非显著式编程（不一步一步定义操作步骤的编程方式）的方式赋予计算机学习能力。

规定了行为和收益函数后，让计算机自己去找最大化收益函数的行为。

定义二

机器学习：一个计算机程序被称为可以学习，是指它能够针对某个任务T和某个性能指标P，从经验E中学习。这种学习的特点是，它在T上的被P所衡量的性能，会随着经验E的增加而提高。（较之定义一更数学化）

机器人冲咖啡的例子：
任务T: 设计程序让机器人冲咖啡
经验E：机器人多次尝试的行为和这些行为产生的结果
性能测度P：在规定时间内成功冲好咖啡的次数

据经验E来提高性能指标P的过程是典型的最优化问题

四个机器学习的任务
(1)教计算机下棋;
(2)垃圾邮件识别，教计算机自动识别某个邮件识别是垃圾邮件
(3)人脸识别，教计算机通过人脸的图像识别这个人是谁;
(4)无人驾驶，教计算机自动驾驶汽车从一个指定地点到另一个指定地点。

根据经验E，1和4是一类，2和3是一类
2和3是一类，因为经验E是完全由人搜集起来输人进计算机的，经验E = 训练样本和标签的集合，此类是监督学习
1和4是一类，因为经验E是由计算机与环境互动获得的，定义行为产生收益函数，让计算机改变自己的行为模式去最大化收益函数，此类是强化学习，计算机通过与环境的互动逐渐强化自己的行为模式。

1.2 机器学习分类

基于经验E的分类

监督学习（Supervised Learning）：输入计算机训练数据同时加上标签的机器学习；所有的经验E都是人工采集并输入计算机的。
强化学习（Reinforcement Learning）：让计算机通过与环境的互动逐渐强化自己的行为模式；经验E由计算机和环境互动获得的。（但划分方式也不绝对）

监督学习根据数据标签存在与否的分类

传统的监督学习（Traditional Supervised Learning）：每个训练数据都有对应的标签；例如：支持向量机（Support Vector Machine）、人工神经网络（Neural Networks）、深度神经网络（Deep Neural Network）
非监督学习（Unsupervised Learning）：训练数据没有对应标签；例如：聚类（Clustering）、EM算法（Expectation-Maximization algorithm）、主成分分析（Principle Components Analysis）
半监督学习（Semi-supervised Learning）：一部分有标签、一部分没有标签。