ML基石_3_TypesOfLearning

Different Output Space
二分类问题

多分类问题

回归问题

结构学习

总结

Different Data Label
监督学习

非监督学习

semi-supervised

reinforcement learning

总结

DIfferent protocal
batch learning

online learning

active learning

总结

Different Input Space
concrete features

raw features

abstract features

总结

总结

Different Output Space

二分类问题

PLA A takes linear separable D and perceptrons H to get hypothesis g to approximate f.

做出各种不同的线，用PLA算法去找到最好的线。

多分类问题

回归问题

结构学习

y = structures.

好像一个很大的多分类问题。

从数据中学习潜在的结构。

比如自然语言处理中，每个单词的词性组合很复杂几乎无穷，但是其中肯定是有某些结构的，你总不可能连续5个动词吧。

总结

Different Data Label

监督学习

非监督学习

非监督式，目标比较分散，也很难评估演算法的好坏。

semi-supervised

reinforcement learning

通过惩罚或者奖励促使学习。

总结

DIfferent protocal

batch learning

online learning

active learning

前两种方式都是被动学习，是否可以让机器问问题，主动学习。



例如：我有这个输入，输出是多少。

手写识别中，生成一个字，那么到底是什么呢？

有点像online一轮一轮问，如果有技巧问，那么可能通过很少的问问题就可以解决问题。

通常用在标资料很贵的场合

与semi-supervised learning相像。

总结

Different Input Space

concrete features

把人类的专业知识喂给机器。

raw features

越抽象对机器越困难。

人如果帮机器做，叫做

feature engineering

机器自己做，有

deep learning

abstract features

需要抽取个人还有歌曲的特征，特征人想的或者机器学到的。

总结

总结