机器学习的四种学习方法
文章目录
- 监督学习(Supervised Learning)
- 无监督学习(Unsupervised Learning)
- 半监督学习(Semi-supervised Learning)
- 强化学习(Reinforcement Learning)
- 应用
监督学习(Supervised Learning)
有正确的label
如图:
有两个维度x1和x2,这里的1和2代表的是标签,即是分类结果,也就是正确结果,那么机器学习会按照这个结果自动帮你分界限,即
无监督学习(Unsupervised Learning)
无正确的label
例如在个二维坐标内,可能只知道每个点的坐标其余的什么也不知道,即是没有包含正确结果的
那么机器就会有很多种的分法,例如
半监督学习(Semi-supervised Learning)
趋于监督学习和无监督学习之间
有部分有正确结果,其他的没有的,即含少量正确结果,那么根据无监督学习分法,中间那条线就不再适用,因为有了部分的正确结果,要使其分在同一类里,那么就可能有这两种分类方法。
强化学习(Reinforcement Learning)
具有奖惩机制
机器会根据建立的模型进行操作,得到的结果如果跟答案匹配就会去奖励,然后进一步去优化,逐步去寻找最高奖励的方法,代表的有AlphaGo,其就是每天都在自我下棋,不断地去优化下棋方式,也就是寻找最高奖励的过程。
判断是监督还是无监督:
训练是否有正确结果的标签
应用
监督学习:价格预测、图像识别、语言翻译等。
无监督学习:客户分类、新闻聚类、数据降维等。
半监督学习:混合型学习应用等。
强化学习:OpenAi Five、AlphaGo等。
机器学习的四种学习方法相关推荐
- 自学python方法-零基础初学Python人工智能的四种学习方法
机器学习有很多方法,大多数人选择从理论开始. 如果你是个程序员,那么你已经掌握了把问题拆分成相应组成部分及设计小项目原型的能力,这些能力能帮助你学习新的技术.类库和方法.这些对任何一个职业程序员来说都 ...
- 职业人四种学习方法(转)
很多人总是期望着老板能给自己一个脱产学习的机会,能读一读MBA.EMBA更好,两三个月或者几十天的短训班也行.但是,这样的机会需要几个方面 的条件,一是你在公司的位置和老板对你的信任:二是你的贡献和业 ...
- 机器学习中四种调参方法总结
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达 来源丨AI公园 编辑丨极市平台 导读 ML工作流中最困难的部分之一是 ...
- Xgboost回归四种调参方法及Python简单实现
前言 Xgboost对特征工程和数据处理比较友好,相比之下调参成为用好Xgboost重要的一环,本文分别从参数.调参方法.Python实现的维度进行梳理,作为调参思路的记录. 本文将关注以下几个问题: ...
- 独家 | 机器学习中的四种分类任务(附代码)
作者:Jason Brownlee 翻译:陈丹 校对:杨毅远 全文约4400字,建议阅读18分钟 本文为大家介绍了机器学习中常见的四种分类任务.分别是二分类.多类别分类.多标签分类.不平衡分类,并提供 ...
- springcloud生产环境一般怎么部署_机器学习模型生产环境部署的四种系统架构总结...
本文将从简单到复杂介绍典型架构的特点以及其优缺点. 介绍 一旦数据科学家对模型的性能感到满意,下一步便是"模型生产环境部署", 没有系统的合理配置,您的Kaggle Top1模型可 ...
- 机器学习:几种常见的学习方法
机器学习的几种方法,在理解和实践过程中持续更新. 机械学习 机械学习就是记忆.把新的知识存储起来,要用时直接检索调用,无需计算推理. 机械学习适合于计算量较大而取值空间较小或是为离散的情况,由于不具有 ...
- 推荐 :机器学习中的四种分类任务(附代码)
作者:Jason Brownlee 翻译:陈丹 校对:杨毅远 全文约4400字,建议阅读18分钟 本文为大家介绍了机器学习中常见的四种分类任务.分别是二分类.多类别分类.多标签分类.不平衡分类,并 ...
- 机器学习四种调参方法总结
介绍 维基百科上说,"Hyperparameter optimization或tuning是为学习算法选择一组最优的hyperparameters的问题". 本文转载于收藏 | 机 ...
- python分类分析模型_机器学习中最常见的四种分类模型
作者:Jason Brownlee 翻译:候博学 前言 机器学习是一个从训练集中学习出算法的研究领域. 分类是一项需要使用机器学习算法的任务,该算法学习如何为数据集分配类别标签. 举一个简单易懂的例子 ...
最新文章
- 昆虫基因组DNA的优化提取,可进行长读测序
- 解读计算机视觉论文投稿到接收,不可不知的关键环节
- android(cm11)状态栏源码分析(一)
- [机械]“重工业面临两大危机”——向文波(三一重工股份有限公司执行总裁)
- 收集的一些jQuery (我平常用的少的,但确实挺有效果的)
- java collator_Java Collator compare(String, String)用法及代码示例
- 导入要素类到要素数据集当中(C++)(ArcObject)史上最快
- Deepin Linux已经做得相当不错了
- springboot项目执行controller方法时进入慢的问题
- Qt总结之二十二:Qt控件QObject
- VS2017编写C++多文件时,出现LNK2005、LNK1169报错的解决方法
- STL容器 之 list
- 有意思的域名Hack网站
- 【中间件技术】软件构件与中间件技术学习与实践系列文章汇总目录(持续更新中)
- 14周:设计会员登录页面
- python绘制菱形_用python画菱形
- lerna + yarn workspaces 使用备忘
- 在线阅读.epub文件的网站
- 将图像平移到画布中心python_python前端之Photoshop
- 【蓝桥杯】【python】数字三角形
热门文章
- FAT文件系统简明教程
- 数字信号处理 实验一 时域采样与频域采样【实验报告】
- 中小计算机机房管理制度,酒店计算机机房管理制度|计算机机房管理制度
- 微信小程序毕业设计(一)
- python gps显示_MicroPython-GPS教程之TPYBoardv702控制5110显示当前经纬度
- 粒子群课设,粒子群算法(基础精讲)ppt课件
- 20155236 《信息安全概论》实验二(Windows系统口令破解)实验报告
- Iframe用法总结
- html的iframe用法
- 系统之家 linux下载,迅雷Linux版下载_迅雷Linux版官方版1.0.0.1 - 系统之家