机器学习算法总结

2018/08/16 Machine-learning

1. 监督学习

  • 定义

        机器将已标注有标签的数据作为老师,学习并训练得出模型,然后输出预测数据的结果。

  • 解决问题

    ①回归问题
    ②分类问题

  • 算法模型

    ① 线性回归模型
    ② K-近邻算法
    ③ 决策树
    ④ 朴素贝叶斯
    ⑤ 逻辑回归


2. 半监督学习

  • 定义

        通识使用未标注和标注的数据训练模型来进行模式识别工作

  • 解决问题

    ① 垃圾信息过滤
    ② 视频网站分析

  • 算法模型

    ① 半监督SVM(支持向量机)
    ② 高斯模型
    ③ KNN模型
    ④ Self-trainning
    ⑤ Co-trainning

  • 优点

    ① 相比监督学习,节约人力成本,提高投入产出比
    ② 相比无监督学习,可以得到分配更高精度的模型


3. 无监督学习

  • 定义

        不给机器提供已标注的数据,让机器自己对数据进行处理并输出结果。

  • 解决问题

    ① 关联
    ② 聚类
    ③ 降维

  • 算法模型

    ① K均值算法
    ② 自编码
    ③ 主成分分析
    ④ 随机森林


4. 强化学习

  • 定义

        机器感知环境的正状态转移时会反馈给机器的一个奖赏,使机器学习朝着正信号趋势学习,从而使累积奖赏值最大。

  • 解决问题

    ① 自动直升机
    ② 机器人控制
    ③ 手机网络路由
    ④ 市场决策
    ⑤ 工业控制
    ⑥ 高效网页索引

  • 算法模型

    ① K-摇臂赌博机(单步强化学习任务)
    ● ε-贪心算法
    ● Softmax算法 ② 有模型学习(多步强化学习任务)
    ● 基于T步累积奖赏的策略评估算法
    ● 基于T步累积奖赏的策略迭代算法
    ③ 免模型学习
    ● 蒙特卡罗强化学习
    a) 同策略
    b) 异策略
    ● 时序查分学习
    a) Q-学习算法
    b) Sarsa算法
    ④ 模仿学习


5. 迁移学习

  • 定义

        指从一个领域的学习结果迁移到另一个学习领域

  • 解决问题

    ① 终身学习
    ② 知识转移
    ③ 归纳迁移
    ④ 多任务学习
    ⑤ 知识的巩固
    ⑥ 上下文相关学习
    ⑦ 元学习
    ⑧ 增量学习

  • 算法模型

    TrAdBoost算法


6. 深度学习

  • 定义

        多层神经网络

  • 解决问题

    ① 预测学习
    ② 语音识别
    ③ 图像识别

  • 算法模型

    RNN(Recurrent Neural Network)一类用于处理序列数据的神经网络
    DNN(Deep Neural Networks)深度神经网络
    CNN (Convolutional Neural Network) 卷积神经网络,是一种深度前馈人工神经网络。

  • 优点

    ① 从特征中检测复杂的相互作用
    ② 从几乎没有处理的原始数据中学习低层次的特征
    ③ 处理高基数类成员
    ④ 处理未标记的数据


版权与免责声明

本文来自如何自学人工智能放飞人夜的回答 ,经本人修改后发布,如有侵权,请联系我删除

Search

    Table of Contents

    >