机器学习概览
版权声明:未经允许,随意转载,请附上本文链接谢谢(づ ̄3 ̄)づ╭❤~
http://blog.csdn.net/xiaoduan_/article/details/79327703
机器学习概览
人工智能与机器学习的关系图
什么是机器学习
机器学习的分类
-
监督学习
- 给机器的训练数据拥有“标记”或者“答案”
-
非监督学习
- 给机器的训练数据没有任何“标记”或者“答案”
-
半监督学习
- 一部分数据有“标记”或者“答案”,另一部分数据没有。更常见:各种原因产生的标记缺失
-
增强学习
- 根据周围环境的情况,采取行动,根据采取行动的结果,学习行动方式。
机器学习的其他分类
在线学习和批量学习(离线学习)
批量学习 Batch Learning
+ 优点 :简单
+ 问题 :如何适应环境
+ 解决方案:定时批量学习
+ 缺点:每次批量学习,运算量巨大,在某些环境变化非常快的情况下甚至不可能
在线学习 Online Learning
+ 优点:及时反映新环境变化
+ 问题:新数据带来不好的变化
+ 解决方案:需要加强对数据的监控
+ 其他:也适用于数据量巨大,完全无法批量学习的环境
参数学习与非参数学习
-
参数学习 Parametric Learning
- 一旦学到了参数,就不再需要原有的数据集
-
非参数学习 Nonparametric Learning
- 不对模型进行过多的假设
- 注意:无参数学习不代表没有参数!
如何选择机器学习算法?
奥卡姆的剃刀
- 简单就是最好的
- 到底在机器学习领域,什么叫“简单”?
没有免费的午餐定理
- 可以严格地数学推导出:任意两个算法,他们的期望性能是相同的!
- 具体到某个特定问题,有些算法可能更好
- 但没有一种算法,绝对比另一种算法好