机器学习基石第三讲 Types of Learning

一.Learning with Different Output Space Y

 

 

二.Learning with Different Data Label yn

 

监督式学习，每个训练样本都有对应的label，相当于每个x都有一个y对应

非监督式学习，每个训练样本是没有label的，需要电脑自己划分，类似于聚类，只有x而没有y

 

有些时候样本过于庞大，没法完全标签，只能对其中一部分标签，所以诞生了半监督式学习

 

增强式学习，很难明确的定义一个label，很难给x一个明确的y，比如21点，很难给要牌或者不要牌定义一个确定的y，我们可以通过惩罚和奖励这种形式，对要牌不要牌这种行为给予惩罚或者奖励，让电脑去学到东西。在reinforcement learning 这种学习方法里面，data通常是一笔一笔喂进来的，一步一步的让电脑越来越好。

 

 

三.Learning with Different Protocol f =>(xn; yn)

 

Batch Learning整批整批的将data喂给电脑学习

垃圾邮件一封一封进来，相当于data一笔一笔的进来，然后告诉电脑答案

PLA很容易用在online learning，因为它也是一笔一笔data的学习

reinforcement也是一笔一笔的学习

每一轮修正一下，每一轮g越来越好

 

batch learning相当于填鸭式教育，相当于给一本书，里面有参考答案，让电脑自己去学习

online learning相当于老师在教书，一条一条教，举一个例子学一点东西

这两种学习相对于机器来说都是被动的

Active Learning主动学习，让机器有问问题的能力，在机器遇到不确定的情况等，这样要标注的data会少一点，有些时候标注data很贵或者工作量太大

 

四.Learning with Different Input Space X

 

特征很具体，相对而言是简单的问题

针对这个问题你会喂给机器什么当做x让它学习

抽象特征，这个二维向量都是抽象编号，需要抽取歌曲的特征

越抽象，机器就要越花时间去里面寻找具体的特征