机器学习分类

机器学习分类,机器学习大致可分为以下几类:
监督学习,无监督学习,强化学习,深度学习,深度强化学习。

如上图所示，机器学习从左向右发展。

• 最初，研究人员从监督学习开始。
• 接着是无监督学习，机器在没有任何监督的情况下自己学习。
• 科学家进一步发现，当机器按照预期的方式工作时，奖励它可能是一个好主意，于是就出现了强化学习。
• 很快，这些天可用的数据变得如此庞大，以至于到目前为止发展起来的传统技术无法分析大数据并为我们提供预测。
• 因此，就产生了深度学习，在我们的二进制计算机中创建的人工神经网络(ANN)模拟人脑。
• 这台机器现在可以使用今天可用的高计算能力和巨大的内存资源自学。
• 现在人们注意到，深度学习已经解决了许多以前无法解决的问题。
• 通过奖励深度学习网络，该技术得到了进一步的发展，最终出现了深度强化学习。

现在让我们更详细地研究这些类别。

监督式学习

监督学习类似于训练孩子走路。你会牵着孩子的手，教他如何把脚向前迈，自己走路做示范等等，直到孩子学会自己走路。

回归

类似地，在监督学习的情况下，你给计算机给出具体的已知例子。对于给定的特征值x1输出是y1，对于x2输出是y2，对于x3输出是y3，以此类推。根据这些数据，你让电脑算出x和y之间的经验关系。

一旦机器能以这种方式训练足够数量的数据点,现在你会问这台机器在给定X下预测Y。假设您知道给定X下的Y的真正价值,你将能够推断出机器的预测是否正确。

因此，您将使用已知的测试数据来测试机器是否已经学习到了。一旦您确信机器能够以期望的精度水平(比如80%到90%)进行预测，您就可以停止对机器的进一步训练。

现在，您可以安全地使用机器对未知数据点进行预测，或者让机器预测给定X的Y值，而您不知道Y的实际值。

分类

您还可以使用机器学习技术来解决分类问题。在分类问题中，将性质相似的对象分类为单个组。例如，在一组100名学生中，你可能会根据他们的身高把他们分成三组——短、中、长。测量每个学生的身高，你会把他们放在一个适当的组。

现在，当一个新学生进来的时候，你将通过测量他的身高把他分成一个合适的组。通过遵循回归训练的原则，你将训练机器根据学生的特征(身高)对他进行分类。当这台机器学习了这些群体是如何形成的，它将能够正确地对任何未知的新生进行分类。同样，在将开发的模型投入生产之前，您将使用测试数据来验证机器已经学习了您的分类技术。

监督学习是人工智能真正开始旅程的地方。这项技术在几个案例中得到了成功的应用。您在机器上进行手写识别时使用了这个模型。已经开发了几种用于监督学习的算法。您将在接下来的章节中了解它们。

无监督学习

在无监督学习中，我们不给机器指定一个目标变量，而是问机器“关于X你能告诉我什么?”更具体地说，我们可能会问一些问题，比如给定一个巨大的数据集X，“我们能从X中选出的五个最好的组是什么?”或者“X中哪些特性最常同时出现?”为了得到这些问题的答案，您可以理解，机器推断策略所需的数据点的数量将非常大。在监督学习的情况下，机器甚至可以用几千个数据点来训练。然而，在无监督学习的情况下，合理接受学习的数据点的数量通常有几百万个。数据通常是丰富的，理想情况下，数据需要进行整理。然而，在社交区域网络中不断流动的数据量，在大多数情况下，数据管理是一项不可能完成的任务。

下图显示了由无监督机器学习确定的黄色和红色点之间的边界。你可以清楚地看到，机器将能够以相当高的精度确定每个黑点的类别。

无监督学习在人脸检测、目标检测等现代人工智能应用中取得了巨大的成功。

强化学习

考虑训练一只宠物狗，我们训练我们的宠物带一个球给我们。我们把球扔到一定的距离，让狗把它拿回来给我们。每次狗做对了，我们就奖励它。慢慢地，狗狗学会了正确地做这项工作给它一个奖励，然后狗狗开始以正确的方式在未来的每一次工作。确切地说，这个概念应用于“强化”类型的学习。这项技术最初是为机器玩游戏而开发的。机器被给出一个算法来分析游戏每个阶段的所有可能的移动。机器可以随机选择其中一个动作。如果移动正确，机器就会得到奖励，否则可能会受到惩罚。慢慢地，机器将开始区分正确和错误的动作，经过几次迭代后，将学会以更好的准确性解决游戏难题。随着机器玩的游戏越来越多，赢得比赛的准确性也会提高。

整个过程可以用下图来描述：

这种机器学习技术不同于监督学习，因为您不需要提供标记的输入/输出对。重点是在探索新的解决方案和开发已学习的解决方案之间找到平衡。

深度学习

深度学习是一种基于人工神经网络(ANN)，更具体地说是卷积神经网络(CNN)的模型。深度学习中常用的结构有深度神经网络、深度信念网络、递归神经网络和卷积神经网络等。

这些网络已成功地应用于解决计算机视觉、语音识别、自然语言处理、生物信息学、药物设计、医学图像分析和游戏等方面的问题。在其他几个领域，深度学习被积极地应用。深度学习需要巨大的处理能力和海量的数据，而这些数据现在通常很容易获得。

深入强化学习

深度强化学习(DRL)将深度学习和强化学习相结合。像Q-learning这样的强化学习算法现在与深度学习相结合，以创建一个强大的DRL模型。该技术在机器人、视频游戏、金融和医疗领域取得了巨大成功。许多以前无法解决的问题现在通过创建DRL模型得到了解决。在这方面有很多研究正在进行，这是非常积极的行业追求。

到目前为止，您已经对各种机器学习模型有了一个简要的介绍，后面让我们稍微深入地研究一下在这些模型下可用的各种算法。