iT邦幫忙

第 12 屆 iThome 鐵人賽

DAY 4
1
AI & Data

放課後的菜雞小學堂-深度學習30日自學筆記系列 第 4

Day 04 | 機器學習 Machine Learning (二)

  • 分享至 

  • xImage
  •  

接續昨天所聊到的,我們對於機器學習已經有些基礎的概念了,知道它究竟是什麼意思,也理解它大致上的運作流程,那麼今天再來補充一些關於機器學習的分類吧!

機器學習主要可以分類為以下幾種:

  • 監督式學習(Supervised Learning)

    在機器的訓練(Training)過程中,提供具有特徵(features)和類別(label)的資料集,就像給它範例與答案讓其學習,透過演算法建構出模型,再使用模型對新資料進行預測。依據應用及預測結果,又可分為下列三種:

  1. 二元分類 — 預測目標僅有2種選項,如同是非題
    Ex:使用者希望預測今天會不會下雨,答案可能為是或否。
  2. 多元分類 — 預測目標有多個選項,如同選擇題
    Ex:使用者希望預測今天天氣如何,答案可能為晴天、雨天、陰天或雷雨。
  3. 回歸分析 — 預測目標為一連續值,如同計算題
    Ex:使用者希望預測今天氣溫範圍,答案可能為26~34度。
  • 非監督式學習(Unsupervised Learning)

    輸入機器的資料集不具有預測答案,即訓練過程不提供類別(label),讓機器在學習時自己利用特徵分出相異性去做分群,再以新資料測試學習結果。Ex:叢集分析/Cluster集群演算法、k平均群聚法(k-means)、...。

  • 半監督式學習(Semi-supervised Learning)

    介於監督式學習與非監督式學習之間,先將有無提供類別(label)的資料做區分,再把無提供類別的資料依整體分布做新的分界。這樣的學習方法不但能夠降低訓練成本,還能保有非監督式學習自動化的優點

  • 強化學習 / 增強學習(Reinforcement Learning)

    強化學習則相當有趣,它是藉由學習過程的互動,例如:動作(Actions)、狀態(States)、獎勵(Rewards)等,且隨著環境變動,使機器循序漸進做出調整,進而學習後果評估和採取應對,逐漸構築出為達成某個目標的演算法。就好比讓機器玩遊戲,當遭遇失敗或卡關時,嘗試做出什麼樣的反應才能突破障礙或免於扣分,最後又要如何達到終點。


上一篇
Day 03 | 機器學習 Machine Learning (一)
下一篇
Day 05 | 深度學習 Deep Learning (一)
系列文
放課後的菜雞小學堂-深度學習30日自學筆記30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言