目錄

1）Learning with Different Output Space Y

2）Learning with Different Data Label?

3）Learning with Different Protocol?

4）Learning with Different Input Space X

---

在上一節課中，我們學到了第一個機器學習算法:PLA。它屬于分類算法。在本節課中我，我們主要了解機器學習的種類。

這一節主要是一些概念性知識，但是是貫穿整個機器學習的。

1）Learning with Different Output Space Y

---

上節課中，我們學習了銀行批發信用卡的例子，這是一個典型的二分類問題。輸出只有兩種情況。二分類問題可以說是機器學習中最基礎也是最常見的問題，常見的有垃圾郵件判別，患者疾病診斷等等。二元分類有線性模型和非線性模型。

?? ? ? ? ??

除了二元分類，常見的還有多元分類問題。即輸出類別多于兩個。如：硬幣分類，手寫數字分類，圖片分類，郵件分類等。

二元分類和多元分類都屬于分類問題，它們的輸出是離散的。機器學習中還有另一大問題：回歸問題。比如預測股票收益、房屋價格等。除了分類問題和回歸問題，機器學習還有一類問題：結構化學習。這部分問題比較復雜，在本課中不會詳細介紹（這部分往往屬于深度學習領域）。下面來總結一下機器學習的問題種類：分類問題和回歸問題。二元分類和回歸是我們學習的重點。

2）Learning with Different Data Label?

---

前面我們提到了貨幣分類問題，這就屬于監督學習。監督學習指的是我們的數據集含有相應的標簽。無監督學習是另一類常見的機器學習問題，數據集不含有標簽。如常見的文章主題分類。半監督學習介于監督學習和無監督學習之間，數據集中一部分含有標簽，而另一部分不含有標簽。初次之外，還有一類問題是比較火的：強化學習。類似于我們平時對狗狗的訓練就屬于次類學習。

3）Learning with Different Protocol?

---

機器學習可以分為三種類型：

• Batch Learning
• Online
• Active Learning

Batch Learning獲得訓練數據時完整的一批，實際應用中很廣泛。

Online是一種在線學習模型，數據實時更新。隨著數據的不斷增加，我們也在同步更新算法。如之前介紹的PLA算法和強化學習等。

Active Learning可以讓機器具備主動問問題的能力。可以節約時間和成本，特別適當樣本標簽難以獲得的時候。

4）Learning with Different Input Space X

---

上面我們介紹了機器學習的輸出，這部分介紹輸入X的類型。

• concrete features
• raw features
• abstract features

concrete features典型的有硬幣分類問題中硬幣的尺寸，重量等；病人的信息等。這部分對機器是很容易理解的。

raw features有手寫數字分類圖片所在像素值，語音信號頻率等。這部分特征已經有點抽象了。

abstract features顧名思義就已經很抽象了。這部分對于機器學習來說是很困難的，一般需要進行特征工程操作。

這一節主要介紹了機器學習的類型：分類和回歸問題，數據標簽，學習途徑，輸入類型等。

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的3）机器学习基石笔记 Lecture3：Types of Learning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。