欧美成人性爱在线,中文偷拍网,亚洲欧美大香蕉,18桃色在线观看网站,国产精品久久久久久亚洲色,骚逼片,老女人日逼视频,操逼好爽视频

來源：DeepHub IMBA

本文約2300字，建議閱讀8分鐘?
本文介紹了機器學習的種類。

機器學習

機器學習是人工智能(AI)的一種應用，為系統(tǒng)提供無需明確編程就能根據(jù)經(jīng)驗自動學習和改進的能力。

機器學習根據(jù)不同的任務類型可以分為以下三大類型：

有監(jiān)督學習
無監(jiān)督學習
強化學習

有監(jiān)督學習

監(jiān)督學習是一種機器學習任務，通過訓練學習一個函數(shù)，該函數(shù)根據(jù)示例輸入-輸出對將輸入映射到輸出。（需要數(shù)據(jù)標注，輸入->輸出）

在這種類型中，機器學習算法是在標記數(shù)據(jù)上訓練的。盡管這種方法需要準確地標記數(shù)據(jù)，但在適當?shù)那闆r下使用監(jiān)督學習是非常有效的。

開始時，系統(tǒng)接收輸入數(shù)據(jù)和輸出數(shù)據(jù)。它的任務是創(chuàng)建適當?shù)囊?guī)則，將輸入映射到輸出。訓練過程應該持續(xù)，直到表現(xiàn)水平足夠高為止。

在訓練之后，系統(tǒng)應該能夠分配一個在訓練階段沒有看到的輸出對象。在大多數(shù)情況下，這個過程是非常快速和準確的。

監(jiān)督學習的類型：

Regression：回歸，輸出是連續(xù)值
Classification：分類，輸出是離散值

回歸

回歸是一種有監(jiān)督的機器學習技術，用于預測連續(xù)值。例如，我們可以用它來預測某種產(chǎn)品的價格，比如某個城市的房價或股票的價值。

機器學習中的回歸由數(shù)學方法組成，數(shù)據(jù)科學家可以根據(jù)一個或多個預測變量(x)的值預測一個連續(xù)的結果(y)。線性回歸可能是回歸分析中最流行的形式，因為它在預測和預測中很容易使用。

分類

分類是一種旨在重現(xiàn)類別分配的技術。它可以預測響應值，并將數(shù)據(jù)分成“類”。例如識別照片中的汽車類型，鑒別垃圾郵件，檢測表情，人臉識別等等。

分類的三種主要類型是：

二元分類 Binary Classification

它是分類的過程或任務，其中將給定的數(shù)據(jù)分為兩類。它基本上是一種關于事物屬于兩個群體中的哪一個的預測。

假設有兩封電子郵件發(fā)送給您，一封是由不斷發(fā)送廣告的保險公司發(fā)送的，另一封是您的銀行發(fā)送的關于您的信用卡賬單的電子郵件。

電子郵件服務提供商將對兩封電子郵件進行分類，第一封將發(fā)送到垃圾郵件文件夾，第二封將保留在主郵件中。這個過程被稱為二元分類，因為有兩個離散的類，一個是垃圾郵件，另一個不是垃圾郵件的。所以這是一個二元分類的問題。

算法：

邏輯回歸
KNN
決策樹/隨機森林/提升樹
支持向量機 SVM
樸素貝葉斯
多層感知機

多分類 Multi-class Classification

多類分類是指那些具有兩個以上類標簽，但是輸入數(shù)據(jù)只對應一個類標簽的分類任務。

算法：

KNN
決策樹/隨機森林/提升樹
樸素貝葉斯
多層感知機

注：這里去掉了SVM和邏輯回歸，因為他們只支持二分類，但是可以通過其他方法實現(xiàn)多分類，一般情況下會構建與分類數(shù)相同的模型并進行二元分類，比如數(shù)字識別0-9，SVM會訓練10個二元模型，分別判斷是否是1，是否是2，邏輯回歸也是同理。

多標簽分類 Multi-Label Classification

多標簽分類是指那些具有兩個或多個類標簽的分類任務，其中每個示例可以預測一個或多個類標簽。

多分類可以叫做單標簽多分類，是一對一的關系，而多標簽分類是一對多的關系。

通俗的講，一張照片里面有貓和狗，如果使用多分類來說，他只能將照片分成1類，貓或狗（一對一），但是對于多標簽來說，會同時輸出貓和夠（一對多）

無監(jiān)督學習

無監(jiān)督學習是指使用人工智能 (AI) 算法來識別包含未標記的數(shù)據(jù)點的數(shù)據(jù)集中的模式。在訓練時算法對包含在數(shù)據(jù)集中的數(shù)據(jù)點進行分類、標記和/或分組，在執(zhí)行訓練時無需任何外部指導。換句話說無監(jiān)督學習允許系統(tǒng)自行識別數(shù)據(jù)集中的模式。在無監(jiān)督學習中，即使沒有提供任何的期望輸出模型也會根據(jù)異同對信息進行分組。

無監(jiān)督學習算法可以執(zhí)行比監(jiān)督學習系統(tǒng)更復雜的處理任務。

無監(jiān)督學習的類型：

A.聚類

聚類是指自動將具有相似特征的數(shù)據(jù)點組合在一起并將它們分配給“簇”的過程。

常用算法：

K-Means(K均值)
DBSCAN
使用高斯混合模型（GMM）

B.關聯(lián)

關聯(lián)規(guī)則學習是一種無監(jiān)督學習技術，它在大型數(shù)據(jù)中檢查一個數(shù)據(jù)項對另一個數(shù)據(jù)項的依賴性，它試圖在數(shù)據(jù)集的變量之間找到一些有趣的關系或關聯(lián)。根據(jù)不同的規(guī)則來發(fā)現(xiàn)數(shù)據(jù)中變量之間的有趣關系。

常用算法：


Apriori算法
PCY算法
FP-Tree算法
XFP-Tree算法
GPApriori算法

應用：

市場分析：是關聯(lián)規(guī)則挖掘的流行示例和應用之一。大型零售商通常使用這種技術來確定商品之間的關聯(lián)。(啤酒尿布)

醫(yī)學診斷：關聯(lián)規(guī)則有助于識別特定疾病的患病概率。

蛋白質(zhì)序列：關聯(lián)規(guī)則有助于確定人工蛋白質(zhì)的合成。

強化學習

強化學習 (RL) 是一種機器學習技術，它使代理通在交互式環(huán)境中通過來自其自身行為和經(jīng)驗的反饋進行學習。

盡管監(jiān)督學習和強化學習都使用輸入和輸出之間的映射，但與向代理提供的反饋是執(zhí)行任務的正確動作集的監(jiān)督學習不同，強化學習使用獎勵和懲罰作為積極和消極行為的信號。

與無監(jiān)督學習相比，強化學習在目標方面有所不同。雖然無監(jiān)督學習的目標是找到數(shù)據(jù)點之間的異同，但在強化學習的情況下，目標是找到一個合適的動作模型，使代理的總累積獎勵最大化。

描述 RL 問題基本要素的一些關鍵術語是：

環(huán)境Environment ——代理運行的物理世界
代理Agent ——也叫智能體，就是我們所寫的算法
行動Action——代理產(chǎn)生的動作
狀態(tài)State——代理的狀態(tài)
獎勵Reward——來自環(huán)境的反饋，好的還是壞的
策略Policy ——將代理的狀態(tài)映射到動作的方法，通過狀態(tài)選擇做什么行動
價值Value ——代理在特定狀態(tài)下采取行動將獲得的未來獎勵

deephub譯者注

機器學習可以根據(jù)不同的分類方法分成不同的類型，例如本文是根據(jù)任務類型來進行區(qū)分的大類，例如我們常見的，圖像分割其實就是對于圖片像素級別的分類任務，而目標檢測主要的目標就是邊框的回歸。

對于實現(xiàn)的方法，我們還可以根據(jù)模型分成不同的實現(xiàn)方法，例如：

傳統(tǒng)的機器學習：各種回歸
核方法：SVM等
貝葉斯模型：概率相關
樹型模型：決策樹、隨機森林、各種boosting
神經(jīng)網(wǎng)絡：多層感知機、各種NN

以上分類并不沖突并且是交叉的。最簡單的就是我們在使用神經(jīng)網(wǎng)絡分類和回歸的時候，最后一層一般都會使用線性層（有的也叫稠密層）這一層使用的算法就是線性回歸，再例如我們也可以使用神經(jīng)網(wǎng)絡來進行聚類算法，比如deepCluster。

編輯：王菁

校對：龔力

一張圖了解機器學習

機器學習

有監(jiān)督學習

無監(jiān)督學習

強化學習

deephub譯者注