?

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(qū)分

按學習是否增量區(qū)分

按模型的深度學區(qū)分

按學習方式區(qū)分

看下整個的家譜結(jié)構(gòu)圖：

下面還是分別介紹一下~

?

按學習時效性區(qū)分

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

按是否增量區(qū)分

增量式算法的重要性體現(xiàn)在2個方面：

1）在實際的數(shù)據(jù)庫中，數(shù)據(jù)量往往是逐漸增加的，因此，在面臨新的數(shù)據(jù)時，學習方法應能對訓練好的系統(tǒng)進行某些改動，以對新數(shù)據(jù)中蘊涵的知識進行學習。

2） 對一個訓練好的系統(tǒng)進行修改的時間代價通常低于重新訓練一個系統(tǒng)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(jīng)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(qū)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(tǒng)中常用的Wide&Deep。

按學習方式區(qū)分

?

有監(jiān)督學習：訓練數(shù)據(jù)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(lián)系，在面對只有特征沒有標簽的數(shù)據(jù)時，可以判斷出標簽。

無監(jiān)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(shù)據(jù)的內(nèi)在性質(zhì)及規(guī)律，為進一步的數(shù)據(jù)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(jiān)督算法還有：密度估計(densityestimation)、異常檢測（anomaly detection) 等。

半監(jiān)督學習：訓練集同時包含有標記樣本數(shù)據(jù)和未標記樣本數(shù)據(jù)，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(jiān)督學習。

強化學習：通過一些行為產(chǎn)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(fā)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(fā)生碰撞。通過不斷的學習環(huán)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(shù)字化實踐50位技術專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的机器学习家谱的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。