[[420892]]

 我們可以根據(jù)算法執(zhí)行學(xué)習(xí)的方式將它們分為以下不同類別：

•  有監(jiān)督學(xué)習(xí)
•  無監(jiān)督學(xué)習(xí)
•  半監(jiān)督學(xué)習(xí)
•  強(qiáng)化學(xué)習(xí)

01 有監(jiān)督學(xué)習(xí)

有監(jiān)督學(xué)習(xí)是目前商業(yè)過程中最常見的機(jī)器學(xué)習(xí)形式。這些算法試圖找到映射輸入和輸出的函數(shù)的一個(gè)很好的近似。

為此，顧名思義，我們需要自己為算法提供輸入值和輸出值，并且嘗試找到一個(gè)能夠使預(yù)測值和實(shí)際輸出值之間誤差最小的函數(shù)。

學(xué)習(xí)階段稱為訓(xùn)練（training）。模型經(jīng)過訓(xùn)練后，可以針對未見過的數(shù)據(jù)預(yù)測輸出。此階段通常被視為評分或預(yù)測，如圖1-1所示。

▲圖 1-1

02 無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)適用于未標(biāo)記的數(shù)據(jù)，因此我們不需要實(shí)際的輸出值，僅需要輸入。它嘗試在數(shù)據(jù)中查找模式并根據(jù)這些共同屬性做出反應(yīng)，將輸入劃分為多個(gè)不同聚類（如圖1-2所示）。

▲圖 1-2

通常，無監(jiān)督學(xué)習(xí)通常與有監(jiān)督學(xué)習(xí)結(jié)合使用，以減少輸入空間并將數(shù)據(jù)中的信號集中在較少數(shù)量的變量上，但無監(jiān)督學(xué)習(xí)還有其他目標(biāo)。從這個(gè)角度來看，當(dāng)標(biāo)記數(shù)據(jù)很昂貴或不太可靠時(shí)，無監(jiān)督學(xué)習(xí)比有監(jiān)督學(xué)習(xí)更適用。

常見的無監(jiān)督學(xué)習(xí)技術(shù)有聚類（clustering）和主成分分析（Principal Component Analysis，PCA）、獨(dú)立成分分析（Independent Component Analysis，ICA），以及一些神經(jīng)網(wǎng)絡(luò)，例如生成對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）和自編碼器（Autoencoder，AE）。

03 半監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)是介于有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)之間的一種技術(shù)。它可以說不屬于機(jī)器學(xué)習(xí)中一個(gè)單獨(dú)的類別，而只是有監(jiān)督學(xué)習(xí)的一種泛化，但在這將其單獨(dú)列出是有用的。

其目的是通過將一些有標(biāo)記的數(shù)據(jù)擴(kuò)展到類似的未標(biāo)記數(shù)據(jù)，從而降低收集標(biāo)記數(shù)據(jù)的成本。我們把一些生成模型分類為半監(jiān)督學(xué)習(xí)。

半監(jiān)督學(xué)習(xí)可以分為直推學(xué)習(xí)和歸納學(xué)習(xí)。直推學(xué)習(xí)適用于推斷未標(biāo)記數(shù)據(jù)的標(biāo)簽，歸納學(xué)習(xí)適用于推斷從輸入到輸出的正確映射。

我們可以看到此過程與我們在學(xué)校學(xué)習(xí)的大多數(shù)過程相似。老師向?qū)W生展示一些例子，并讓學(xué)生回家完成作業(yè)。為了完成這些作業(yè)，他們需要進(jìn)行泛化。

04 強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)（RL）是我們目前所見的最獨(dú)特的類別。這個(gè)概念非常有趣：該算法試圖找出一個(gè)策略來最大化獎(jiǎng)勵(lì)總和。

該策略由使用它在環(huán)境中執(zhí)行動(dòng)作的智能體來學(xué)習(xí)。然后，環(huán)境返回反饋，智能體使用該反饋來改進(jìn)其策略。反饋是對所執(zhí)行動(dòng)作的獎(jiǎng)勵(lì)，可以是正數(shù)、空值或負(fù)數(shù)，如圖1-3所示。

▲圖 1-3