1.根据输出结果的不同分类:
分别有
二分类问题
多分类问题
回归问题
结构学习(语义分析)等
对于结构学习这一块来说,
我接触得相当少,平时项目中也不敢使用,
技术积累很薄弱,以后要加强。
2.根据数据标签分类
传统地来说,就是有标签的数据为监督学习,
没有的为非监督学习:
非监督学习这一块主要的问题有下面这些:
聚类
分布估计
离群点判定
…
当然,现实中更多情况是属于半监督学习(拥有少量标签数据和大量无标签数据需要学习):
时下更多的概念是强化学习,
我所理解强化学习是一个实时在线根据环境反馈修改模型的学习方式:
3.学习的方式
批处理学习
这种是最常见的学习方式,一批一批的数据处理获取数据潜在的模式。就像我们小时候接受的填鸭式教育一样。喂你一堆数据和知识,不求你现在完全理解,先记住,能朗诵使用,以后再慢慢消化起内涵。
在线式学习
在线学习则对应的是强化学习,是循序渐进学习的一种方式,先学一步,根据时间反馈调整,再接着继续学习。
主动学习
主动学习是让机器学会提问的一种学习方式,在学习的过程中,对有歧义的分支理解及时提出到现实世界中,根据反馈进行调整,不断学习,实现难度也是最高的。
4.根据输入数据的不同分类
具体的数据
原始的数据
抽象的数据
我们当然是希望越具体的数据越好,不具体的话原始也不错,抽象对我们来说就比较难处理了,需要对应设计复杂的学习系统和特征工程来处理使用。
领取专属 10元无门槛券
私享最新 技术干货