机器学习分类

本文参考了北京大学王文敏教授的《人工智能原理》课程

https://www.icourse163.org/course/PKU-1002188003?tid=1206730204

mooc课件中从三个角度来分类机器学习，此外我还补充了几点

机器学习分类的视角有很多，从不同的角度可以了解机器学习学科的不同维度的特点，通过分类可以更好的了解机器学习是什么。

本文以以下几个角度分类

• 学习任务
• 学习范式/反馈类型
• 学习模型
• 学习方式
• 学习策略
• 应用领域

《人工智能原理》课程中对机器学习分类的三个视角

 

 

 

 

 

 

 

学习任务

学习任务/学习目的指的是机器学习所解决的问题

一些典型问题

 

学习范式/反馈类型

 

 

l  有监督学习：从样本数据中学习

 

有监督学习的六个步骤

 

 

与有监督学习相关的任务：分类，回归，排名

典型的算法

 

 

 

 

有监督学习的一些应用

 

 

 

 

 

l  无监督学习：类似于自学，没有老师

在无监督学习中，给机器提供的数据是没有标注的，而且没有训练过程，即机器直接对数据进行分析。

无监督学习是机器学习领域中十分重要的一部分，它被视为未来人工智能发展的一个重要的方向。

与无监督学习相关的内容：聚类，密度估计，降维

典型算法：

 

 

 

 

l  强化学习：会根据环境的反馈信息调优，类似于人通过试错进行学习。其在环境中行动并且获得这些行动的回报，根据反馈调整自己的行为使得回报最大化。

 

强化学习分为基于模型与无模型，主动式与被动式

 

 

 

 

 

 

 

 

 

 

学习模型

 

 

 

此外还有补充的分类

学习方式

映射类型

 

 

可分为4类：

l  归纳学习

l  演绎学习

l  类比学习

l  转导学习

 

学习策略

l  符号主义：从逻辑学与哲学出发，认知即为计算，通过对符号的演绎推理来达到结果

l  贝叶斯派：从统计学出发，利用统计方法解决不确定性问题

l  联结主义：从神经科学出发，对大脑进行模拟仿真

l  行为类比主义：从心理学出发，研究新旧知识之间的相似性

l  进化主义：从进化生物学出发，使用遗传算法模拟进化过程

应用领域