?

今天的文章大神請忽略，主要是針對對機器學習一些關鍵概念還比較模糊的同學，希望通過這篇文章幫大家梳理。如果把機器學習的各種方式組合看成是機器學習家譜的話，這個家譜差不多有四個分支：

?

按學習時效性區分

按學習是否增量區分

按模型的深度學區分

按學習方式區分

看下整個的家譜結構圖：

下面還是分別介紹一下~

?

按學習時效性區分

這一點比較好理解，離線學習就是常規的機器學習方式，通過歷史收集的數據去訓練模型。實時機器學習指的是通過線上實時產生的數據訓練模型，數據源通常會是Kafka這樣的流式數據源，訓練框架目前比較主流的是Flink、Spark-stream等。

按是否增量區分

增量式算法的重要性體現在2個方面：

1）在實際的數據庫中，數據量往往是逐漸增加的，因此，在面臨新的數據時，學習方法應能對訓練好的系統進行某些改動，以對新數據中蘊涵的知識進行學習。

2） 對一個訓練好的系統進行修改的時間代價通常低于重新訓練一個系統所需的代價。

增量學習背后衍生的道理可以通過一個例子說明。在社會圈或者自然界，很多事物的底層原理都是相通的。比如一個人會下象棋，那么他很容易去學習下圍棋，因為無論是象棋和圍棋，底層的一些邏輯是相同的。在模型層面，如果一個模型已經具備了對象棋知識的理解，那么就可以用遷移學習的方式讓它在原有基礎上去學習圍棋，而不是重頭學習。

?

按模型深度區分

一句話形容，深度學習模型深度深，淺層學習模型深度淺。還有一種方法是利用深度學習的深和淺層學習的寬，就是推薦系統中常用的Wide&Deep。

按學習方式區分

?

有監督學習：訓練數據既有特征(feature)又有標簽(label)，通過訓練，讓機器可以自己找到特征和標簽之間的聯系，在面對只有特征沒有標簽的數據時，可以判斷出標簽。

無監督學習（unsupervised learning）：訓練樣本的標記信息未知，目標是通過對無標記訓練樣本的學習來揭示數據的內在性質及規律，為進一步的數據分析提供基礎，此類學習任務中研究最多、應用最廣的是"聚類" (clustering)，其他無監督算法還有：密度估計(densityestimation)、異常檢測（anomaly detection) 等。

半監督學習：訓練集同時包含有標記樣本數據和未標記樣本數據，不需要人工干預，讓學習器不依賴外界交互、自動地利用未標記樣本來提升學習性能，就是半監督學習。

強化學習：通過一些行為產生的反饋來促使模型的演進。舉個例子，比如做一個自動駕駛模型，當模型對汽車發出某些預測指令之后，汽車會有相應的回饋，比如正常駕駛 or 發生碰撞。通過不斷的學習環境的反饋，找到對自己最有利的判斷模式，就是增化學習的原理。

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的机器学习家谱的全部內容，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。