机器学习分为哪几类?

72 浏览次数
探究机器学习的各类方法,主要涵盖几大核心方向。监督学习通过使用已标记的数据集进行训练,旨在让机器能够准确地预测结果或对事物进行分类,其过程好比“有明确指导”的学习。相对而言,无监督学习则专注于处理那些未经标记的数据,努力从中自主发现深层结构、内在模式或进行有效的聚类,从而挖掘数据的潜在价值。此外,还有半监督学习,它巧妙地结合了少量已标注数据和大量未标注数据,以更高效的方式训练出高性能模型。而强化学习作为一个独特而重要的分支,通过智能体与环境的持续互动、试错和奖励机制,旨在让智能体自主学习并优化其行为策略,以实现长期目标的最大化。这些各有侧重的分类共同构筑了现代人工智能的强大基石。
意见反馈 0 喜欢次数

机器学习主要分为哪几类?

说到机器学习这些,我心里啊,一直觉得它们挺像我们学东西的几种不同路子。最直接那种,就是监督学习了。你给它好多例子,每个例子都清清楚楚告诉它答案。就像我上次在北京昌平那边,帮一个朋友弄个识别系统,要区分邮件是不是垃圾邮件。我们从去年三月开始,收集了几万封邮件,每一封都标好了“垃圾”还是“不是垃圾”。模型就看着这些带标签的数据,一点点学会哪些词组合起来是垃圾,哪些不是。这个过程,特别像有个老师手把手教。

但生活里哪有那么多“老师”啊。好多时候我们拿到数据,就是一堆乱糟糟的,根本没人给答案。这时候就得靠无监督学习了。它自己去数据里找规律,找那些藏起来的结构。记得2022年夏天,我在家里处理一些消费者评论数据,想知道大家都在聊什么话题,但是没提前分类。模型自己就把那些谈到“价格太高”的评论归到一类,把“服务很好”的归到另一类。它没被教过,全靠自己发现。这感觉,就像在漆黑的房间里摸索,最后发现原来有几把椅子,几张桌子。

然后还有一种,我觉得特别聪明,就是半监督学习。这通常用在我们只有少量标注数据,但有海量未标注数据的时候。人工标注太花钱费力了。我有个朋友在广州天河那边的公司,他们就是搞这个。为了识别图片里的特定物体,他们只标注了大概5000张图片,但手头有几百万张没标签的。模型先从那5000张里学点皮毛,再用学到的知识去“猜”没标签的,然后把猜对的那些也拿来强化自己。这样一来,效率简直翻倍,成本也低好多。我觉得这办法,真的把资源利用到极致了。

至于强化学习,我个人总觉得它有点像玩游戏,或者小孩学走路。它在一个环境里瞎折腾,每做一步,环境就会给它反馈——是好是坏。它在这些反馈里调整策略,目标就是最大化“奖励”。我之前在模拟器跑过一个送货机器人项目,就是用强化学习。机器人一开始乱撞,但慢慢就学会了规划路线,最快把货送到,还避开障碍。每次成功送达,系统给它一个虚拟的“赞”。我觉得这算特别的“试错式学习”,虽然方法不同,但心里老觉得,那奖励信号不就是它自己的“标签”嘛,只是没预先给好。

机器学习主要分为哪几类? 机器学习主要分为三大类:监督学习、无监督学习、半监督学习。强化学习常被单独提及,但它通过奖励信号进行学习,也可视为一种特殊形式的学习。