Lecture 3: Types of Learning

1.不同输出空间上的学习

二分类问题
多分类问题
回归问题
结构化的问题（有趣且复杂，可从多分类的问题衍生而来）
...

2.不同数据标签上的学习

有监督的学习

无监督的学习
无监督的多分类 <=> 聚类 （比监督式的困难，但是更实用）
无监督的应用：

• 聚类
  文章 => 主题
  用户画像 => 用户群
• 密度分析
  地区交通报告 => 危险地段
• 异常检测
  网络日志 => 入侵警报

半监督的学习
应用（标注代价太高）：
人脸识别
药品效能检测

强化学习
序列的过程
通过reward（另外一个输出）告诉模型这个行为好还是不好

3.不同的protocol（学习方式）上的学习

batch learning：用一批一批的data进行学习

online learning：循序学习（按顺序一笔一笔的data进行学习，e.g. PLA，RL）

active learning：通过问问题来主动学习（通常用于标注代价太高时）

4.不同的输入空间上的学习

具体特征（有预处理，domain knowledge）

原始特征
数字图片的pixel就是一种原始特征
栗子：手写辨识问题

=> 特征工程

抽象特征
比如：用户ID，广告ID等这类抽象特征，通常需要通过机器和人来抽取具体特征

Summary