本文共 1197 字，大约阅读时间需要 3 分钟。

概念

.(机器学习系统)利用经验来改善计算机系统自身的性能。

机器学习是一种归纳。

专家系统（计算机推理）采用的是反向、演绎。

一、监督学习

1.1 运行过程

1.2 典型算法

1.2.1 K近邻算法

– 给定一个训练数据集，无需训练

– 对新的输入实例，在训练数据集中

找到与该实例最邻近的K个实例

– 根据这K个实例的类别做投票，哪

个类的实例最多，就把该输入实例 分类到这个类中

例子：

1.2.2 决策树算法

规则归纳问题，适合用决策树来表示

如果一个属性执行后，使得数据集上的信息增益最大（最有序），则该属性应该优先被执行（更接近根节点）

1.2.3 支持向量机

二、无监督学习

2.1 特点

无监督学习更接近人类学习的过程：

• 有明确的学习目标

• 有样本数据 • 不需人工标注知识 • 提升难度大

2.2 聚类（“归堆”）

– 聚类算法最终要求将样本数据唯一、确定地划为某一类别。

– 不同类别之间样本不交叉。

– 同一类别内部样本具有较高相似度。

– 不同类别之间样本相似度较低

2.3 典型算法

2.3.1 K-means聚类算法

关键问题：距离计算方法。

– 聚类大量依赖于距离或者相似度计算。因此确定一种距离非常重要。

2.3.2 自动编码器

– 原始数据经过神经网络“编码”，再根据编码信息“解码”，还原原有信息。

– 适应大量样本后，编码器本身能够表示关于问题的本质特征。

应用：

1️⃣图像抗噪

2️⃣数据降维

– 原始数据生成的模型往往仍然规模比较大

– 此时可以使用自动编码器做一次降维，不损失信息的情况下，降低空间使用

三、弱监督学习

3.1 半监督学习

– 一部分数据带有人工标记知识

– 另一部分数据无标记

– 通过学习有标记数据，逐渐扩展无标记数据

实例

实例一：远距离监督用于关系抽取

实例二：社交网络上的半监督学习

3.2 迁移学习（计算机的举一反三）

– 任务A 与 任务B 具有某种相似性

– 利用任务A的学习经验，解决任务B

– 即迁移学习。

实例

实例一：图像风格的迁移学习

• 给定某种风格的图画样本，如梵高油画集合

• 训练模型，能够表达梵高图片中的某些风格

• 给定不具有该风格的图像

• 不改变内容，仅将梵高风格添加到图片中

四、强化学习

4.1 强化学习的基本思想

强化学习(Reinforcement Learning, RL) 并不是一个独立的方法而是一种机器学习的模式，或者说是一种思路。

– 强化学习认为，计算机单纯通过感知环境，与环境交互，并且从交互中获得评价反馈，就可以适应所处的环境。从我们看来，就相当于计算机学习得到了环境下的某些知识，实现了机器学习。

4.2 实例

实例一：小孩子学走路

实例二：旅行商问题

4.3 应用

4.3.1 自动驾驶

4.3.2 AI游戏和电子竞技

4.3.3 虚拟生命的建模

转载地址：http://ryxki.baihongyu.com/