学习笔记2——机器学习的分类有哪些?

机器学习的分类,可以参考下面这个图.

     根据谢博士对人工智能技术领域的划分,可以分为机器学习,数据挖掘,知识表示、推理、自然语言处理、计算机视觉等方面,每一个领域都有成体系的相关知识,并且其应用领域以及科学家相关的论文成果也不同,而目前相对于较成熟的,如果从入门的角度来看,建议从全监督学习入手,并配合神经网络深度学习来进行应用层的相关业务的开发,是比较现实的,可行的,可惜的是谢博士在这一块,并没有介绍很多,只是让我们有一个初步的印象和认识.

    强化学习,又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。

    迁移学习(Transfer learning) 顾名思义就是把已训练好的模型（预训练模型）参数迁移到新的模型来帮助新模型训练。考虑到大部分数据或任务都是存在相关性的，所以通过迁移学习我们可以将已经学到的模型参数（也可理解为模型学到的知识）通过某种方式来分享给新模型从而加快并优化模型的学习效率不用像大多数网络那样从零学习。

    半监督学习(Semi-Supervised Learning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。

    无监督学习的本质就是，对于各种数据，我虽然不知道你讲的是什么，但是我知道你们讲的是相似的东西，还是不同的东西。

    有监督学习即人工给定一组数据,每个数据的属性值也给出,对于数据集中的每个样本,我们想要算法预 测并给出正确答案。