?

今天的文章大神請忽略，主要是針對對機器學(xué)習(xí)一些關(guān)鍵概念還比較模糊的同學(xué)，希望通過這篇文章幫大家梳理。如果把機器學(xué)習(xí)的各種方式組合看成是機器學(xué)習(xí)家譜的話，這個家譜差不多有四個分支：

?

按學(xué)習(xí)時效性區(qū)分

按學(xué)習(xí)是否增量區(qū)分

按模型的深度學(xué)區(qū)分

按學(xué)習(xí)方式區(qū)分

看下整個的家譜結(jié)構(gòu)圖：

下面還是分別介紹一下~

?

按學(xué)習(xí)時效性區(qū)分

這一點比較好理解，離線學(xué)習(xí)就是常規(guī)的機器學(xué)習(xí)方式，通過歷史收集的數(shù)據(jù)去訓(xùn)練模型。實時機器學(xué)習(xí)指的是通過線上實時產(chǎn)生的數(shù)據(jù)訓(xùn)練模型，數(shù)據(jù)源通常會是Kafka這樣的流式數(shù)據(jù)源，訓(xùn)練框架目前比較主流的是Flink、Spark-stream等。

按是否增量區(qū)分

增量式算法的重要性體現(xiàn)在2個方面：

1）在實際的數(shù)據(jù)庫中，數(shù)據(jù)量往往是逐漸增加的，因此，在面臨新的數(shù)據(jù)時，學(xué)習(xí)方法應(yīng)能對訓(xùn)練好的系統(tǒng)進行某些改動，以對新數(shù)據(jù)中蘊涵的知識進行學(xué)習(xí)。

2） 對一個訓(xùn)練好的系統(tǒng)進行修改的時間代價通常低于重新訓(xùn)練一個系統(tǒng)所需的代價。

增量學(xué)習(xí)背后衍生的道理可以通過一個例子說明。在社會圈或者自然界，很多事物的底層原理都是相通的。比如一個人會下象棋，那么他很容易去學(xué)習(xí)下圍棋，因為無論是象棋和圍棋，底層的一些邏輯是相同的。在模型層面，如果一個模型已經(jīng)具備了對象棋知識的理解，那么就可以用遷移學(xué)習(xí)的方式讓它在原有基礎(chǔ)上去學(xué)習(xí)圍棋，而不是重頭學(xué)習(xí)。

?

按模型深度區(qū)分

一句話形容，深度學(xué)習(xí)模型深度深，淺層學(xué)習(xí)模型深度淺。還有一種方法是利用深度學(xué)習(xí)的深和淺層學(xué)習(xí)的寬，就是推薦系統(tǒng)中常用的Wide&Deep。

按學(xué)習(xí)方式區(qū)分

?

有監(jiān)督學(xué)習(xí)：訓(xùn)練數(shù)據(jù)既有特征(feature)又有標(biāo)簽(label)，通過訓(xùn)練，讓機器可以自己找到特征和標(biāo)簽之間的聯(lián)系，在面對只有特征沒有標(biāo)簽的數(shù)據(jù)時，可以判斷出標(biāo)簽。

無監(jiān)督學(xué)習(xí)（unsupervised learning）：訓(xùn)練樣本的標(biāo)記信息未知，目標(biāo)是通過對無標(biāo)記訓(xùn)練樣本的學(xué)習(xí)來揭示數(shù)據(jù)的內(nèi)在性質(zhì)及規(guī)律，為進一步的數(shù)據(jù)分析提供基礎(chǔ)，此類學(xué)習(xí)任務(wù)中研究最多、應(yīng)用最廣的是"聚類" (clustering)，其他無監(jiān)督算法還有：密度估計(densityestimation)、異常檢測（anomaly detection) 等。

半監(jiān)督學(xué)習(xí)：訓(xùn)練集同時包含有標(biāo)記樣本數(shù)據(jù)和未標(biāo)記樣本數(shù)據(jù)，不需要人工干預(yù)，讓學(xué)習(xí)器不依賴外界交互、自動地利用未標(biāo)記樣本來提升學(xué)習(xí)性能，就是半監(jiān)督學(xué)習(xí)。

強化學(xué)習(xí)：通過一些行為產(chǎn)生的反饋來促使模型的演進。舉個例子，比如做一個自動駕駛模型，當(dāng)模型對汽車發(fā)出某些預(yù)測指令之后，汽車會有相應(yīng)的回饋，比如正常駕駛 or 發(fā)生碰撞。通過不斷的學(xué)習(xí)環(huán)境的反饋，找到對自己最有利的判斷模式，就是增化學(xué)習(xí)的原理。

《新程序員》：云原生和全面數(shù)字化實踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的机器学习家谱的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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