激情青青QV,亚洲天堂网2024,欧洲一级毛片,中国无套毛片学生妹女,婷婷综合久久五月,最新亚洲无码在线观看,免费啪啪网址,天天好逼网在线观看

來源：DeepHub IMBA

本文約2300字，建議閱讀8分鐘?
本文介紹了機(jī)器學(xué)習(xí)的種類。

機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是人工智能(AI)的一種應(yīng)用，為系統(tǒng)提供無需明確編程就能根據(jù)經(jīng)驗(yàn)自動(dòng)學(xué)習(xí)和改進(jìn)的能力。

機(jī)器學(xué)習(xí)根據(jù)不同的任務(wù)類型可以分為以下三大類型：

有監(jiān)督學(xué)習(xí)
無監(jiān)督學(xué)習(xí)
強(qiáng)化學(xué)習(xí)

有監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)是一種機(jī)器學(xué)習(xí)任務(wù)，通過訓(xùn)練學(xué)習(xí)一個(gè)函數(shù)，該函數(shù)根據(jù)示例輸入-輸出對(duì)將輸入映射到輸出。（需要數(shù)據(jù)標(biāo)注，輸入->輸出）

在這種類型中，機(jī)器學(xué)習(xí)算法是在標(biāo)記數(shù)據(jù)上訓(xùn)練的。盡管這種方法需要準(zhǔn)確地標(biāo)記數(shù)據(jù)，但在適當(dāng)?shù)那闆r下使用監(jiān)督學(xué)習(xí)是非常有效的。

開始時(shí)，系統(tǒng)接收輸入數(shù)據(jù)和輸出數(shù)據(jù)。它的任務(wù)是創(chuàng)建適當(dāng)?shù)囊?guī)則，將輸入映射到輸出。訓(xùn)練過程應(yīng)該持續(xù)，直到表現(xiàn)水平足夠高為止。

在訓(xùn)練之后，系統(tǒng)應(yīng)該能夠分配一個(gè)在訓(xùn)練階段沒有看到的輸出對(duì)象。在大多數(shù)情況下，這個(gè)過程是非?？焖俸蜏?zhǔn)確的。

監(jiān)督學(xué)習(xí)的類型：

Regression：回歸，輸出是連續(xù)值
Classification：分類，輸出是離散值

回歸

回歸是一種有監(jiān)督的機(jī)器學(xué)習(xí)技術(shù)，用于預(yù)測(cè)連續(xù)值。例如，我們可以用它來預(yù)測(cè)某種產(chǎn)品的價(jià)格，比如某個(gè)城市的房?jī)r(jià)或股票的價(jià)值。

機(jī)器學(xué)習(xí)中的回歸由數(shù)學(xué)方法組成，數(shù)據(jù)科學(xué)家可以根據(jù)一個(gè)或多個(gè)預(yù)測(cè)變量(x)的值預(yù)測(cè)一個(gè)連續(xù)的結(jié)果(y)。線性回歸可能是回歸分析中最流行的形式，因?yàn)樗陬A(yù)測(cè)和預(yù)測(cè)中很容易使用。

分類

分類是一種旨在重現(xiàn)類別分配的技術(shù)。它可以預(yù)測(cè)響應(yīng)值，并將數(shù)據(jù)分成“類”。例如識(shí)別照片中的汽車類型，鑒別垃圾郵件，檢測(cè)表情，人臉識(shí)別等等。

分類的三種主要類型是：

二元分類 Binary Classification

它是分類的過程或任務(wù)，其中將給定的數(shù)據(jù)分為兩類。它基本上是一種關(guān)于事物屬于兩個(gè)群體中的哪一個(gè)的預(yù)測(cè)。

假設(shè)有兩封電子郵件發(fā)送給您，一封是由不斷發(fā)送廣告的保險(xiǎn)公司發(fā)送的，另一封是您的銀行發(fā)送的關(guān)于您的信用卡賬單的電子郵件。

電子郵件服務(wù)提供商將對(duì)兩封電子郵件進(jìn)行分類，第一封將發(fā)送到垃圾郵件文件夾，第二封將保留在主郵件中。這個(gè)過程被稱為二元分類，因?yàn)橛袃蓚€(gè)離散的類，一個(gè)是垃圾郵件，另一個(gè)不是垃圾郵件的。所以這是一個(gè)二元分類的問題。

算法：

邏輯回歸
KNN
決策樹/隨機(jī)森林/提升樹
支持向量機(jī) SVM
樸素貝葉斯
多層感知機(jī)

多分類 Multi-class Classification

多類分類是指那些具有兩個(gè)以上類標(biāo)簽，但是輸入數(shù)據(jù)只對(duì)應(yīng)一個(gè)類標(biāo)簽的分類任務(wù)。

算法：

KNN
決策樹/隨機(jī)森林/提升樹
樸素貝葉斯
多層感知機(jī)

注：這里去掉了SVM和邏輯回歸，因?yàn)樗麄冎恢С侄诸?，但是可以通過其他方法實(shí)現(xiàn)多分類，一般情況下會(huì)構(gòu)建與分類數(shù)相同的模型并進(jìn)行二元分類，比如數(shù)字識(shí)別0-9，SVM會(huì)訓(xùn)練10個(gè)二元模型，分別判斷是否是1，是否是2，邏輯回歸也是同理。

多標(biāo)簽分類 Multi-Label Classification

多標(biāo)簽分類是指那些具有兩個(gè)或多個(gè)類標(biāo)簽的分類任務(wù)，其中每個(gè)示例可以預(yù)測(cè)一個(gè)或多個(gè)類標(biāo)簽。

多分類可以叫做單標(biāo)簽多分類，是一對(duì)一的關(guān)系，而多標(biāo)簽分類是一對(duì)多的關(guān)系。

通俗的講，一張照片里面有貓和狗，如果使用多分類來說，他只能將照片分成1類，貓或狗（一對(duì)一），但是對(duì)于多標(biāo)簽來說，會(huì)同時(shí)輸出貓和夠（一對(duì)多）

無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)是指使用人工智能 (AI) 算法來識(shí)別包含未標(biāo)記的數(shù)據(jù)點(diǎn)的數(shù)據(jù)集中的模式。在訓(xùn)練時(shí)算法對(duì)包含在數(shù)據(jù)集中的數(shù)據(jù)點(diǎn)進(jìn)行分類、標(biāo)記和/或分組，在執(zhí)行訓(xùn)練時(shí)無需任何外部指導(dǎo)。換句話說無監(jiān)督學(xué)習(xí)允許系統(tǒng)自行識(shí)別數(shù)據(jù)集中的模式。在無監(jiān)督學(xué)習(xí)中，即使沒有提供任何的期望輸出模型也會(huì)根據(jù)異同對(duì)信息進(jìn)行分組。

無監(jiān)督學(xué)習(xí)算法可以執(zhí)行比監(jiān)督學(xué)習(xí)系統(tǒng)更復(fù)雜的處理任務(wù)。

無監(jiān)督學(xué)習(xí)的類型：

A.聚類

聚類是指自動(dòng)將具有相似特征的數(shù)據(jù)點(diǎn)組合在一起并將它們分配給“簇”的過程。

常用算法：

K-Means(K均值)
DBSCAN
使用高斯混合模型（GMM）

B.關(guān)聯(lián)

關(guān)聯(lián)規(guī)則學(xué)習(xí)是一種無監(jiān)督學(xué)習(xí)技術(shù)，它在大型數(shù)據(jù)中檢查一個(gè)數(shù)據(jù)項(xiàng)對(duì)另一個(gè)數(shù)據(jù)項(xiàng)的依賴性，它試圖在數(shù)據(jù)集的變量之間找到一些有趣的關(guān)系或關(guān)聯(lián)。根據(jù)不同的規(guī)則來發(fā)現(xiàn)數(shù)據(jù)中變量之間的有趣關(guān)系。

常用算法：


Apriori算法
PCY算法
FP-Tree算法
XFP-Tree算法
GPApriori算法

應(yīng)用：

市場(chǎng)分析：是關(guān)聯(lián)規(guī)則挖掘的流行示例和應(yīng)用之一。大型零售商通常使用這種技術(shù)來確定商品之間的關(guān)聯(lián)。(啤酒尿布)

醫(yī)學(xué)診斷：關(guān)聯(lián)規(guī)則有助于識(shí)別特定疾病的患病概率。

蛋白質(zhì)序列：關(guān)聯(lián)規(guī)則有助于確定人工蛋白質(zhì)的合成。

強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí) (RL) 是一種機(jī)器學(xué)習(xí)技術(shù)，它使代理通在交互式環(huán)境中通過來自其自身行為和經(jīng)驗(yàn)的反饋進(jìn)行學(xué)習(xí)。

盡管監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)都使用輸入和輸出之間的映射，但與向代理提供的反饋是執(zhí)行任務(wù)的正確動(dòng)作集的監(jiān)督學(xué)習(xí)不同，強(qiáng)化學(xué)習(xí)使用獎(jiǎng)勵(lì)和懲罰作為積極和消極行為的信號(hào)。

與無監(jiān)督學(xué)習(xí)相比，強(qiáng)化學(xué)習(xí)在目標(biāo)方面有所不同。雖然無監(jiān)督學(xué)習(xí)的目標(biāo)是找到數(shù)據(jù)點(diǎn)之間的異同，但在強(qiáng)化學(xué)習(xí)的情況下，目標(biāo)是找到一個(gè)合適的動(dòng)作模型，使代理的總累積獎(jiǎng)勵(lì)最大化。

描述 RL 問題基本要素的一些關(guān)鍵術(shù)語是：

環(huán)境Environment ——代理運(yùn)行的物理世界
代理Agent ——也叫智能體，就是我們所寫的算法
行動(dòng)Action——代理產(chǎn)生的動(dòng)作
狀態(tài)State——代理的狀態(tài)
獎(jiǎng)勵(lì)Reward——來自環(huán)境的反饋，好的還是壞的
策略Policy ——將代理的狀態(tài)映射到動(dòng)作的方法，通過狀態(tài)選擇做什么行動(dòng)
價(jià)值Value ——代理在特定狀態(tài)下采取行動(dòng)將獲得的未來獎(jiǎng)勵(lì)

deephub譯者注

機(jī)器學(xué)習(xí)可以根據(jù)不同的分類方法分成不同的類型，例如本文是根據(jù)任務(wù)類型來進(jìn)行區(qū)分的大類，例如我們常見的，圖像分割其實(shí)就是對(duì)于圖片像素級(jí)別的分類任務(wù)，而目標(biāo)檢測(cè)主要的目標(biāo)就是邊框的回歸。

對(duì)于實(shí)現(xiàn)的方法，我們還可以根據(jù)模型分成不同的實(shí)現(xiàn)方法，例如：

傳統(tǒng)的機(jī)器學(xué)習(xí)：各種回歸
核方法：SVM等
貝葉斯模型：概率相關(guān)
樹型模型：決策樹、隨機(jī)森林、各種boosting
神經(jīng)網(wǎng)絡(luò)：多層感知機(jī)、各種NN

以上分類并不沖突并且是交叉的。最簡(jiǎn)單的就是我們?cè)谑褂蒙窠?jīng)網(wǎng)絡(luò)分類和回歸的時(shí)候，最后一層一般都會(huì)使用線性層（有的也叫稠密層）這一層使用的算法就是線性回歸，再例如我們也可以使用神經(jīng)網(wǎng)絡(luò)來進(jìn)行聚類算法，比如deepCluster。

編輯：王菁

校對(duì)：龔力

一張圖了解機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)

有監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)

強(qiáng)化學(xué)習(xí)

deephub譯者注