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:
- Конспект лекций профессора Манфреда Хубера