Different Output Space
- 二分类问题
- 多分类问题
- 回归问题
- 结构学习
- 总结
Different Data Label
- 监督学习
- 非监督学习
- semi-supervised
- reinforcement learning
- 总结
DIfferent protocal
- batch learning
- online learning
- active learning
- 总结
Different Input Space
- concrete features
- raw features
- abstract features
- 总结
总结

Different Output Space

二分类问题

PLA A takes linear separable D and perceptrons H to get hypothesis g to approximate f.
做出各种不同的线，用PLA算法去找到最好的线。

多分类问题

回归问题

结构学习

y = structures.
好像一个很大的多分类问题。
从数据中学习潜在的结构。
比如自然语言处理中，每个单词的词性组合很复杂几乎无穷，但是其中肯定是有某些结构的，你总不可能连续5个动词吧。

总结

Different Data Label

监督学习

非监督学习

非监督式，目标比较分散，也很难评估演算法的好坏。

semi-supervised

reinforcement learning

通过惩罚或者奖励促使学习。

总结

DIfferent protocal

batch learning

online learning

active learning

前两种方式都是被动学习，是否可以让机器问问题，主动学习。

例如：我有这个输入，输出是多少。
手写识别中，生成一个字，那么到底是什么呢？

有点像online一轮一轮问，如果有技巧问，那么可能通过很少的问问题就可以解决问题。

通常用在标资料很贵的场合
与semi-supervised learning相像。

总结

Different Input Space

concrete features

把人类的专业知识喂给机器。

raw features

越抽象对机器越困难。
人如果帮机器做，叫做feature engineering
机器自己做，有deep learning

abstract features

需要抽取个人还有歌曲的特征，特征人想的或者机器学到的。

总结

ML基石_3_TypesOfLearning相关推荐

ML基石_1_LearningProblem
课程逻辑学习与机器学习机器学习的适用机器学习概图课程逻辑本系列文章属于台湾大学<机器学习基石>的笔记. 该课程主要包括以下四个部分 1. When can machine lea ...
ML基石_14_Regularization
知识脉络模型太复杂容易造成过拟合,因此让模型从复杂的慢慢的变简单. step back matrix form lagrange multiplier augmented error other v ...
ML基石_11_HazardOfOverfitting
学习曲线来说,当数据量N很小的时候,large generation会造成很大的Eout. 造成overfit的主要有四种因素: 1. 资料量不够 2. stochastic noise太多 3. 目 ...
ML基石_12_NonLinearTransformation
retro quadratic hypothesis nonlinear transform price on nonlinear transform structured hypothesis se ...
ML基石_LinearModelsForClassfication
retro start linear models for 01 classification 回顾线性模型误差函数分析解决步骤 stochastic gradient descent 概述 PL ...
ML基石_10_LogisticRegression
logistic regression problem Y是概率的情况相同数据不同目标函数 logis假设集 logistic regression error error already styd ...
ML基石_9_LinearRegression
linear regression problem linear regression algorithm 优化问题求梯度算法 generalization issue 是否学到了东西上限保证 ...
ML基石_8_NoiseAndError
recap Noise and Probabilistic Target noise来源 Probabilistic Target Error Measure Algorithmic Error Me ...
ML基石_56_TheoryOfGeneralization
RECAP SOLUTION m增长速度受限将m带回原式中的M 例子总结 RECAP 机器学习是可行的,如果假设集H是有限的并且统计样本数据(statistical data)很大. 那么,问题来 ...

ML基石_3_TypesOfLearning