机器学习之非监督学习与强化学习
2014-09-28 10:39
295 查看
非监督式学习:
在此学习方式下,输入数据部分被标识,部分没有被标识,这种学习模型可以用来进行预测,但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。应用场景包括分类和回归,算法包括一些对常用监督式学习算法的延伸,这些算法首先试图对未标识数据进行建模,在此基础上再对标识的数据进行预测。如图论推理算法(Graph Inference)或者拉普拉斯支持向量机(Laplacian SVM.)等。
强化学习
在这种学习模式下,输入数据作为对模型的反馈,不像监督模型那样,输入数据仅仅是作为一个检查模型对错的方式,在强化学习下,输入数据直接反馈到模型,模型必须对此立刻作出调整。常见的应用场景包括动态系统以及机器人控制等。常见算法包括Q-Learning以及时间差学习(Temporal difference learning)。
在企业数据应用的场景下, 人们最常用的可能就是监督式学习和非监督式学习的模型。 在图像识别等领域,由于存在大量的非标识的数据和少量的可标识数据, 目前半监督式学习是一个很热的话题。 而强化学习更多的应用在机器人控制及其他需要进行系统控制的领域。
相关文章推荐
- 机器学习之非监督学习与强化学习
- 机器学习之深度强化学习
- 机器学习(周志华)_第十六章 强化学习
- 无监督学习和强化学习机器学习
- 机器学习 9 强化学习
- Hulu机器学习问题与解答系列 | 第八弹:强化学习 (二)
- 机器学习笔记(十六)强化学习
- 机器学习、深度学习、强化学习参数调节方法与总结
- 机器学习(3)强化学习の入门
- 机器学习(二十四)——数据不平衡问题, 强化学习
- 机器学习-1 初步认识机器学习、监督学习和非监督学习
- 【机器学习】强化学习总结
- 西瓜书《机器学习》课后答案——chapter16_强化学习
- Hulu机器学习问题与解答系列 | 第八弹:强化学习 (一)
- 写给人类的机器学习 五、强化学习
- [机器学习]强化学习
- 【机器学习 基本概念】监督学习、无监督学习、半监督学习与强化学习
- 机器学习总结(lecture 18)算法:强化学习Reinforcement Learning(RL)
- 机器学习(4)强化学习のQ-Learning
- 黑马程序员sql学习002 sql语句强化