Машинное обучение можно разделить на несколько типов в зависимости от используемой информации:

1. Контролируемое обучение

  • Данные содержат желаемый вывод/результат.
  • {(x, y)}: у нас есть правильная метка для обучающих данных.

2. Обучение без учителя

  • Данные не содержат желаемого вывода/результата.
  • обучающие данные имеют форму {(x)}. мы не знаем, что является правильным выводом для данных.

3. Полуконтролируемое обучение

  • некоторые данные включают желаемый результат/результат.
  • у нас есть некоторые данные в виде {(x, y)} и {(x)}
  • Это позволяет нам лучше работать как с помеченными, так и с немаркированными данными.

4. Обучение с подкреплением

  • Данные включают некоторые косвенные меры.
  • {(x, оценка выхода g(x))}, то есть дает нам оценку того, насколько хорош результат, мы все еще не знаем, каков правильный ответ.
  • Мы не знаем, приемлемый результат или нет.
  • Оценку можно использовать для сравнения и выбора лучшего.

Контролируемое обучение против нейронной сети

  • Обучение с учителем в ИНС включает в себя механизм предоставления желаемых результатов с соответствующими входными данными.
  • В алгоритмах нейронных сетей контролируемый процесс обучения улучшается за счет постоянного измерения результирующих выходных данных модели и точной настройки системы, чтобы приблизиться к ее целевой точности.
  • Доступный уровень точности зависит от двух вещей: доступных размеченных данных и используемого алгоритма.

Алгоритмы машинного обучения на основе типов:

Алгоритмы машинного обучения состоят из трех основных элементов:

  • Представление: как выглядит модель; как представлены знания. Это характеристика пространства всех возможных результатов, которые оно может дать.
  • Представления могут быть: набором экземпляров, деревьями решений, набором правил, графическими моделями, нейронными сетями, машинами опорных векторов, моделями ансамблей, это представление того, что представляют собой изученные функции.
  • Оценка: чем отличаются хорошие модели; как оцениваются программы.
  • Точность/ошибка, Точность/отзыв, Вероятность, Стоимость/полезность, Маржа, Энтропия, Сходство.,
  • Оптимизация: процесс поиска хороших моделей; как создаются программы. Узнать, как повысить производительность.
  • Различные подходы к оптимизации:
  • 1. Комбинаторная оптимизация: найти лучшее глобальное решение.
  • 2. Локальная оптимизация: локальная оптимизация, градиентный подъем/спуск
  • 3. Локальное улучшение: Локальное улучшение решения.
  • 4. Ограниченная оптимизация: оптимизация в заданных условиях.

Ссылка:

  1. Конспект лекций профессора Манфреда Хубера