框架

機器學習可以簡化成三個步驟：

生成一系列函數

判斷函數好壞

找出表現最好的函數

Learning Map

監督學習

在監督學習中我們需要預先定義輸入數據的標準輸出作為訓練集和驗證集。

回歸：函數的輸出是一個數值

如：輸入歷史比特幣價格預測未來比特幣價格

分類：輸出為類別，根據類總數不同有二分類和多分類

在分類中需要選擇模型，最簡單的有線性模型，其次有DL、SVM等非線性模型

結構化學習：輸出是有結構的，如AI翻譯后的譯文就是有結構的。

半監督學習

與監督學習不同，半監督學習不需要人為定義所有標準輸出，如下圖未定義的貓狗圖片，其可能對于學習也有幫助（TODO：查資料）

遷移學習

來自知乎：https://www.zhihu.com/question/41979241

為了節省人工標注樣本的時間，讓模型可以通過已有的標記數據（source domain data）向未標記數據（target domain data）遷移。從而訓練出適用于target domain的模型。

無監督學習

沒有給定事先標記過的訓練范例，自動對輸入的資料進行分類或分群。無監督學習的主要運用包含：聚類分析（cluster analysis）、關聯規則（association rule）、維度縮減（dimensionality reduce）。它是監督式學習和強化學習等策略之外的一種選擇。

常用于聚類中。

強化學習

基于機器人與環境之間交互的學習，能夠解決很多有監督學習方法無法解決的問題。

總結

以上是生活随笔為你收集整理的李宏毅机器学习-的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。