導讀：機器學習涉及方方面面的內容，包含許多不同類型的算法，其學習方式也不相同。我們將簡要介紹這些學習方式及其對應的情景。

作者：列奧納多·德·馬爾希（Leonardo De Marchi），勞拉·米切爾(Laura Mitchell)

來源：大數據DT（ID：hzdashuju）

我們可以根據算法執行學習的方式將它們分為以下不同類別：

• 有監督學習

• 無監督學習

• 半監督學習

• 強化學習

01 有監督學習

有監督學習是目前商業過程中最常見的機器學習形式。這些算法試圖找到映射輸入和輸出的函數的一個很好的近似。

為此，顧名思義，我們需要自己為算法提供輸入值和輸出值，并且嘗試找到一個能夠使預測值和實際輸出值之間誤差最小的函數。

學習階段稱為訓練（training）。模型經過訓練后，可以針對未見過的數據預測輸出。此階段通常被視為評分或預測，如圖1-1所示。

▲圖?1-1

02 無監督學習

無監督學習適用于未標記的數據，因此我們不需要實際的輸出值，僅需要輸入。它嘗試在數據中查找模式并根據這些共同屬性做出反應，將輸入劃分為多個不同聚類（如圖1-2所示）。

▲圖 1-2

通常，無監督學習通常與有監督學習結合使用，以減少輸入空間并將數據中的信號集中在較少數量的變量上，但無監督學習還有其他目標。從這個角度來看，當標記數據很昂貴或不太可靠時，無監督學習比有監督學習更適用。

常見的無監督學習技術有聚類（clustering）和主成分分析（Principal Component Analysis，PCA）、獨立成分分析（Independent Component Analysis，ICA），以及一些神經網絡，例如生成對抗網絡（Generative Adversarial Network，GAN）和自編碼器（Autoencoder，AE）。

03 半監督學習

半監督學習是介于有監督學習和無監督學習之間的一種技術。它可以說不屬于機器學習中一個單獨的類別，而只是有監督學習的一種泛化，但在這將其單獨列出是有用的。

其目的是通過將一些有標記的數據擴展到類似的未標記數據，從而降低收集標記數據的成本。我們把一些生成模型分類為半監督學習。

半監督學習可以分為直推學習和歸納學習。直推學習適用于推斷未標記數據的標簽，歸納學習適用于推斷從輸入到輸出的正確映射。

我們可以看到此過程與我們在學校學習的大多數過程相似。老師向學生展示一些例子，并讓學生回家完成作業。為了完成這些作業，他們需要進行泛化。

04 強化學習

強化學習（RL）是我們目前所見的最獨特的類別。這個概念非常有趣：該算法試圖找出一個策略來最大化獎勵總和。

該策略由使用它在環境中執行動作的智能體來學習。然后，環境返回反饋，智能體使用該反饋來改進其策略。反饋是對所執行動作的獎勵，可以是正數、空值或負數，如圖1-3所示。

▲圖?1-3

關于作者：列奧納多·德·馬爾希（Leonardo De Marchi），目前是Badoo的數據科學家主管，Badoo是世界上的大型交友網站之一，擁有超過4億名用戶。他也是ideai.io（一家專門從事機器學習培訓的公司）的首席教練，為大型機構和有活力的初創企業提供技術和管理培訓。他擁有人工智能專業碩士學位，曾在體育界擔任數據科學家。

勞拉·米切爾（Laura Mitchell），目前是Badoo的首席數據科學家。Laura在NLP、圖像分類和推薦系統等項目的交付方面具有豐富的實踐經驗，包括從最初的構思到產品化。她熱衷于學習新技術并緊跟行業趨勢。

本文摘編自《神經網絡設計與實現》，經出版方授權發布。

延伸閱讀《神經網絡設計與實現》

點擊上圖了解及購買

轉載請聯系微信：DoctorData

推薦語：本書是一本神經網絡實踐進階指南，適合對AI和深度學習感興趣并且想進一步提高技能的讀者閱讀。

劃重點????

干貨直達????

• 10本最火的中臺與數字化轉型圖書，朋友圈都在傳
  

• 終于有人把碳達峰、碳中和講明白了
  

• 終于找到了！AI學習路線圖——從零基礎到就業
  

• 終于有人把數據倉庫講明白了

更多精彩????

在公眾號對話框輸入以下關鍵詞

查看更多優質內容！

讀書?|?書單?|?干貨?|?講明白?|?神操作?|?手把手

大數據?|?云計算?|?數據庫?|?Python?|?爬蟲?|?可視化

AI?|?人工智能?|?機器學習?|?深度學習?|?NLP

5G?|?中臺?|?用戶畫像?|?數學?|?算法?|?數字孿生

據統計，99%的大咖都關注了這個公眾號

????

總結

以上是生活随笔為你收集整理的4种不同类别的机器学习概述的全部內容，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。