Machine Learning Foundations——林轩田Coursera 笔记4

第三章 各式各样的机器学习 Types of Learning
上一章讲述了是非题 二元分类

机器学系Y集合的变化:output
二元分类:y的取值只有两个
硬币识别问题:y的取值有固定的K个 单选题 多元分类
统计学:回归分析
结构学习:词法分析


机器学习学习方式的变化:(因为数据标记种类不一样) label
supervised
监督式的学习:数据中包含性质和答案,

unsupervised
非监督的学习:数据中只包含性质,没有答案(聚类)没有Yn的学习
分群容易出错,应用:文章主题分类、顾客类型分群、密度分析(交通事故多发地)、异常值分析(黑客入侵)

semi-supervised
半监督的学习:数据中包含性质和其中一些的性质对应的答案(原因:标及答案不简单)
人脸识别(标一部分照片,学习更多的照片)

reinforcement learning(通过奖励和惩罚)
增强式学习:就像是训练宠物的一种方式
线上广告系统(顾客训练放广告的方式)
21点游戏


机器学习不同的交流方式:protocol

Batch Learning : 成批的学习 (最常见核心的一种方式)
最常见跟机器沟通(交换数据)的方式
垃圾邮件成批学习————垃圾邮件过滤器

Online Learning:在线学习(一个一个的越变越好)
每一次判断垃圾邮件过滤器有没有判断对,使他变得更好
PLA可以变的更轻松;
增强式学习典型实现;

Active Learning:主动问问题学习(最好的策略)
手写识别,你写完,机器让你确认你写的是什么字

batch vs online vs actice
填鸭式教育,循序单方面教育,互动学习


机器学习X集合的变化:input

人们判断x的选择(特征选择),通常是经过人类判断的(domain knowledge),但也可以直接机器判断(深度学习)

数字辨识:
实现方式1: 具体准确的特征,例如对称性、密度分析
实现方式2: 图片是位图,16*16 256维的向量
图片识别、声频识别(特征转换)
实现方式3: 抽象的特征,数据带给你的

机器学习想要抽取一个人的特征、一首歌的特征、一首电影的特征等等,可能有些特征不是人预先可以理解的

发表评论

电子邮件地址不会被公开。