# 監(jiān)督學(xué)習(xí)

* 目前最**常見**的機(jī)器學(xué)習(xí)類型。

**給定**一組樣本(通常由人工標(biāo)注)，它可以學(xué)會(huì)將輸入數(shù)據(jù)**映射**到已知目標(biāo)［也叫**標(biāo)注**(annotation)］

* 例如:光學(xué)字符識(shí)別、語(yǔ)音識(shí)別、圖像分類和語(yǔ)言翻譯。

## **類型**：

* **分類**

* **回歸**

* **序列生成**(sequence generation)

給定一張**圖像**，**預(yù)測(cè)描述圖像的文字**。

序列生成有時(shí)可以被重新表示為一系列分類問(wèn)題，比如反復(fù)預(yù)測(cè)序列中的單詞或標(biāo)記。

* **語(yǔ)法樹預(yù)測(cè)**(syntax tree prediction)。

給定一個(gè)**句子**，預(yù)測(cè)其分解生成的**語(yǔ)法樹**。

* **目標(biāo)檢測(cè)**(object detection)。

給定一張**圖像**，在圖中特定目標(biāo)的周圍畫一個(gè)**邊界框**。這個(gè)問(wèn)題也可以表示為分類問(wèn)題(給定多個(gè)候選邊界框，對(duì)每個(gè)框內(nèi)的目標(biāo)進(jìn)行分類)或分類與回歸聯(lián)合問(wèn)題(用向量回歸來(lái)預(yù)測(cè)邊界框的坐標(biāo))。

* **圖像分割**(image segmentation)。給定一張圖像，在特定物體上**畫一個(gè)像素級(jí)的掩模**(mask)。

*****

# **無(wú)監(jiān)督學(xué)習(xí)**：

* 是指在**沒(méi)有目標(biāo)**的情況下尋找輸入數(shù)據(jù)的有趣變換。

* 其目的在于**數(shù)據(jù)可視化**、**數(shù)據(jù)壓縮**、**數(shù)據(jù)去噪**或更好地理解**數(shù)據(jù)中的相關(guān)性**。

* 無(wú)監(jiān)督學(xué)習(xí)是數(shù)據(jù)分析的**必備技能**

* 在解決監(jiān)督學(xué)習(xí)問(wèn)題**之前**，為了更好地了解數(shù)據(jù)集，它通常是一個(gè)必要**步驟**。

* **降維**(dimensionality reduction)和**聚類**(clustering)都是眾所周知的無(wú)監(jiān)督學(xué)習(xí)方法。

*****

# **自監(jiān)督學(xué)習(xí)**：

* 自監(jiān)督學(xué)習(xí)是沒(méi)有人工標(biāo)注的標(biāo)簽的監(jiān)督學(xué)習(xí)

* 標(biāo)簽仍然存在(因?yàn)榭傄惺裁礀|西來(lái)監(jiān)督學(xué)習(xí)過(guò)程)，但它們是從輸入數(shù)據(jù)中生成的，通常是使用啟發(fā)式算法生成的。

## **例子**：

**自編碼器**(autoencoder)，生成的目標(biāo)就是未經(jīng)修改的輸入

**時(shí)序監(jiān)督學(xué)習(xí)**(temporally supervised learning)，用未來(lái)的輸入數(shù)據(jù)作為監(jiān)督：

* 給定視頻中過(guò)去的幀來(lái)預(yù)測(cè)下一幀

* 給定文本中前面的詞來(lái)預(yù)測(cè)下一個(gè)詞

*****

# **強(qiáng)化學(xué)習(xí)**：

* **智能體**(agent)接收有關(guān)其環(huán)境的信息，并學(xué)會(huì)選擇使某種獎(jiǎng)勵(lì)最大化的行動(dòng)。

例子：google的deep mind

*****

# **目的：**

機(jī)器學(xué)習(xí)的目的是得到可以**泛化**(generalize)的模型，即在前所未見的數(shù)據(jù)上表現(xiàn)很好的模型，而過(guò)擬合則是核心難點(diǎn)。

總結(jié)

以上是生活随笔為你收集整理的机械学python_机械学习 · python深度学习 · 看云的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。