# 監督學習

* 目前最**常見**的機器學習類型。

**給定**一組樣本(通常由人工標注)，它可以學會將輸入數據**映射**到已知目標［也叫**標注**(annotation)］

* 例如:光學字符識別、語音識別、圖像分類和語言翻譯。

## **類型**：

* **分類**

* **回歸**

* **序列生成**(sequence generation)

給定一張**圖像**，**預測描述圖像的文字**。

序列生成有時可以被重新表示為一系列分類問題，比如反復預測序列中的單詞或標記。

* **語法樹預測**(syntax tree prediction)。

給定一個**句子**，預測其分解生成的**語法樹**。

* **目標檢測**(object detection)。

給定一張**圖像**，在圖中特定目標的周圍畫一個**邊界框**。這個問題也可以表示為分類問題(給定多個候選邊界框，對每個框內的目標進行分類)或分類與回歸聯合問題(用向量回歸來預測邊界框的坐標)。

* **圖像分割**(image segmentation)。給定一張圖像，在特定物體上**畫一個像素級的掩模**(mask)。

*****

# **無監督學習**：

* 是指在**沒有目標**的情況下尋找輸入數據的有趣變換。

* 其目的在于**數據可視化**、**數據壓縮**、**數據去噪**或更好地理解**數據中的相關性**。

* 無監督學習是數據分析的**必備技能**

* 在解決監督學習問題**之前**，為了更好地了解數據集，它通常是一個必要**步驟**。

* **降維**(dimensionality reduction)和**聚類**(clustering)都是眾所周知的無監督學習方法。

*****

# **自監督學習**：

* 自監督學習是沒有人工標注的標簽的監督學習

* 標簽仍然存在(因為總要有什么東西來監督學習過程)，但它們是從輸入數據中生成的，通常是使用啟發式算法生成的。

## **例子**：

**自編碼器**(autoencoder)，生成的目標就是未經修改的輸入

**時序監督學習**(temporally supervised learning)，用未來的輸入數據作為監督：

* 給定視頻中過去的幀來預測下一幀

* 給定文本中前面的詞來預測下一個詞

*****

# **強化學習**：

* **智能體**(agent)接收有關其環境的信息，并學會選擇使某種獎勵最大化的行動。

例子：google的deep mind

*****

# **目的：**

機器學習的目的是得到可以**泛化**(generalize)的模型，即在前所未見的數據上表現很好的模型，而過擬合則是核心難點。

總結

以上是生活随笔為你收集整理的机械学python_机械学习 · python深度学习 · 看云的全部內容，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。