[Machine Learning] 1 概述

原创

已于 2022-05-10 20:43:50 修改

· 961 阅读

2 ·

版权

文章标签：

#机器学习

于 2020-07-06 13:10:47 首次发布

在这里插入图片描述

点Ta

- 1 概述

1 概述

机器学习即在特定编程的情况下，使用计算机作为工具并致力于真实并实时的模拟人类学习方式，将现有内容进行知识结构划分以提高学习效率。

根据训练数据是否拥有标记信息，可大致分为：“监督学习”和“无监督学习”。可理解为，监督学习是指我们将教计算机如何去完成任务；而在无监督学习中计算机自己进行学习。分类和回归是前者的代表，聚类是后者的代表。

1.1 Learning Map

蓝色方块指的是scenario，即学习的情境。通常学习的情境是我们没有办法控制的，比如做reinforcement Learning是因为我们没有data、没有办法来做supervised Learning的情况下才去做的。如果有data，supervised Learning当然比reinforcement Learning要好；因此手上有什么样的data，就决定你使用什么样的scenario。

红色方块指的是task，即要解决的问题。你要解的问题，随着你要找的function的output的不同，有输出scalar的regression、有输出options的classification、有输出structured object的structured Learning…

绿色的方块指的是model，即用来解决问题的模型(function set)。在这些task里面有不同的model，也就是说，同样的task，我们可以用不同的方法来解它，比如linear model、Non-linear model(deep Learning、SVM、decision tree、K-NN…)

1.2 Supervised Learning(监督学习)

supervised learning 需要大量的training data，这些training data要求我们找到function，当这个function看到某种input则输出a，看到另一种input输出b，看到……

这种function的output，通常被叫做label(标签)，也就是说，我们要使用supervised learning这样一种技术，我们需要告诉机器，function的input和output分别是什么，而这种output通常是通过人工的方式标注出来的，因此称为人工标注的label，它的缺点是需要大量的人工effort。