機器學習與深度學習系列連載: 第一部分 機器學習(一)導論
阿新 • • 發佈:2019-01-27
什麼是機器學習?
1.機器學習尋找一種函式
這個函式可以:
- 語音識別:輸入一段語音訊號,輸出文字
() - 影象識別:輸入圖片,輸出圖片的屬性
( ) - 智慧控制:輸入棋盤局勢,輸出下一步落棋位置
() - 對話系統: 輸入語言,系統回覆
2.如何尋找這個函式
和把大象放冰箱一樣,一共分三步:
1.定義一個函式集合(define a function set)
2.判斷函式的好壞(goodness of a function)
3.選擇最好的函式(pick the best one)**
3.學習路線
- 監督學習(Supervised learning)
- 半監督學習(Semi-Supervised learning)
- 遷移學習(Transfer learning)
- 非監督學習(Unsupervised learning)
- 結構化學習(Structed learning)
3.1 監督學習
監督學習是在有資料標註的情況下進行學習。
迴歸:(Regression)
迴歸問題,尋找函式的輸出為一個數值。一般用於預測。
該問題一般是通過大量的訓練資料,找到相對正確的函式。
例如:我們可以從歷史的PM2.5的資料中,找到規律,預測未來的PM2.5
分類:(Classification)
分類問題可以分為二分類,和多分類。
3.2 半監督學習(Semi-Supervised learning)
半監督學習,是學習的過程中,當訓練資料中帶標記的(labled)資料不夠多
舉個例子:識別貓和狗的過程中:
帶標記的資料:
不帶標記的資料:
3.3 遷移學習(Transfer learning)
遷移學習是在已經學習的基礎上,去做看似和以前學習不相關的事情,但是實際效果很好。
例如:還是識別貓狗的例子,我們可以在識別貓狗的基礎上識別大象、老虎。(在一定的基礎上進行學習)
3.3 非監督學習(Unsupervised learning)
非監督學習就是在沒有具體資料標註的情況下進行學習。
例如:
- 機器閱讀:機器在大量的文件中學會詞語的意思
- 機器繪畫:機器在看過圖片資訊後,自己繪製圖片
3.4 結構化學習(Structed learning)
結構化學習就是要超越簡單的迴歸和分類,函式產生結構化的結果:比如圖片、語言、聲音。
()
————————————————期待開始———————————————–.