基于學(xué)習(xí)策略的分類(lèi) 學(xué)習(xí)策略是指學(xué)習(xí)過(guò)程中系統(tǒng)所采用的推理策略。
一個(gè)學(xué)習(xí)系統(tǒng)總是由學(xué)習(xí)和環(huán)境兩部分組成。由環(huán)境(如書(shū)本或教師)提供信息,學(xué)習(xí)部分則實(shí)現(xiàn)信息轉(zhuǎn)換,用能夠理解的形式記憶下來(lái),并從中獲取有用的信息。
在學(xué)習(xí)過(guò)程中,學(xué)生(學(xué)習(xí)部分)使用的推理越少,他對(duì)教師(環(huán)境)的依賴(lài)就越大,教師的負(fù)擔(dān)也就越重。學(xué)習(xí)策略的分類(lèi)標(biāo)準(zhǔn)就是根據(jù)學(xué)生實(shí)現(xiàn)信息轉(zhuǎn)換所需的推理多少和難易程度來(lái)分類(lèi)的,依從簡(jiǎn)單到復(fù)雜,從少到多的次序分為以下六種基本類(lèi)型:1)機(jī)械學(xué)習(xí) (Rote learning) 學(xué)習(xí)者無(wú)需任何推理或其它的知識(shí)轉(zhuǎn)換,直接吸取環(huán)境所提供的信息。
如塞繆爾的跳棋程序,紐厄爾和西蒙的LT系統(tǒng)。這類(lèi)學(xué)習(xí)系統(tǒng)主要考慮的是如何索引存貯的知識(shí)并加以利用。
系統(tǒng)的學(xué)習(xí)方法是直接通過(guò)事先編好、構(gòu)造好的程序來(lái)學(xué)習(xí),學(xué)習(xí)者不作任何工作,或者是通過(guò)直接接收既定的事實(shí)和數(shù)據(jù)進(jìn)行學(xué)習(xí),對(duì)輸入信息不作任何的推理。2)示教學(xué)習(xí) (Learning from instruction或Learning by being told) 學(xué)生從環(huán)境(教師或其它信息源如教科書(shū)等)獲取信息,把知識(shí)轉(zhuǎn)換成內(nèi)部可使用的表示形式,并將新的知識(shí)和原有知識(shí)有機(jī)地結(jié)合為一體。
所以要求學(xué)生有一定程度的推理能力,但環(huán)境仍要做大量的工作。教師以某種形式提出和組織知識(shí),以使學(xué)生擁有的知識(shí)可以不斷地增加。
這種學(xué)習(xí)方法和人類(lèi)社會(huì)的學(xué)校教學(xué)方式相似,學(xué)習(xí)的任務(wù)就是建立一個(gè)系統(tǒng),使它能接受教導(dǎo)和建議,并有效地存貯和應(yīng)用學(xué)到的知識(shí)。不少專(zhuān)家系統(tǒng)在建立知識(shí)庫(kù)時(shí)使用這種方法去實(shí)現(xiàn)知識(shí)獲取。
示教學(xué)習(xí)的一個(gè)典型應(yīng)用例是FOO程序。3)演繹學(xué)習(xí) (Learning by deduction) 學(xué)生所用的推理形式為演繹推理。
推理從公理出發(fā),經(jīng)過(guò)邏輯變換推導(dǎo)出結(jié)論。這種推理是"保真"變換和特化(specialization)的過(guò)程,使學(xué)生在推理過(guò)程中可以獲取有用的知識(shí)。
這種學(xué)習(xí)方法包含宏操作(macro-operation)學(xué)習(xí)、知識(shí)編輯和組塊(Chunking)技術(shù)。演繹推理的逆過(guò)程是歸納推理。
4)類(lèi)比學(xué)習(xí) (Learning by analogy) 利用二個(gè)不同領(lǐng)域(源域、目標(biāo)域)中的知識(shí)相似性,可以通過(guò)類(lèi)比,從源域的知識(shí)(包括相似的特征和其它性質(zhì))推導(dǎo)出目標(biāo)域的相應(yīng)知識(shí),從而實(shí)現(xiàn)學(xué)習(xí)。類(lèi)比學(xué)習(xí)系統(tǒng)可以使一個(gè)已有的計(jì)算機(jī)應(yīng)用系統(tǒng)轉(zhuǎn)變?yōu)檫m應(yīng)于新的領(lǐng)域,來(lái)完成原先沒(méi)有設(shè)計(jì)的相類(lèi)似的功能。
類(lèi)比學(xué)習(xí)需要比上述三種學(xué)習(xí)方式更多的推理。它一般要求先從知識(shí)源(源域)中檢索出可用的知識(shí),再將其轉(zhuǎn)換成新的形式,用到新的狀況(目標(biāo)域)中去。
類(lèi)比學(xué)習(xí)在人類(lèi)科學(xué)技術(shù)發(fā)展史上起著重要作用,許多科學(xué)發(fā)現(xiàn)就是通過(guò)類(lèi)比得到的。例如著名的盧瑟福類(lèi)比就是通過(guò)將原子結(jié)構(gòu)(目標(biāo)域)同太陽(yáng)系(源域)作類(lèi)比,揭示了原子結(jié)構(gòu)的奧秘。
5)基于解釋的學(xué)習(xí) (Explanation-based learning, EBL) 學(xué)生根據(jù)教師提供的目標(biāo)概念、該概念的一個(gè)例子、領(lǐng)域理論及可操作準(zhǔn)則,首先構(gòu)造一個(gè)解釋來(lái)說(shuō)明為什該例子滿足目標(biāo)概念,然后將解釋推廣為目標(biāo)概念的一個(gè)滿足可操作準(zhǔn)則的充分條件。EBL已被廣泛應(yīng)用于知識(shí)庫(kù)求精和改善系統(tǒng)的性能。
著名的EBL系統(tǒng)有迪喬恩(G.DeJong)的GENESIS,米切爾(T.Mitchell)的LEXII和LEAP, 以及明頓(S.Minton)等的PRODIGY。6)歸納學(xué)習(xí) (Learning from induction) 歸納學(xué)習(xí)是由教師或環(huán)境提供某概念的一些實(shí)例或反例,讓學(xué)生通過(guò)歸納推理得出該概念的一般描述。
這種學(xué)習(xí)的推理工作量遠(yuǎn)多于示教學(xué)習(xí)和演繹學(xué)習(xí),因?yàn)榄h(huán)境并不提供一般性概念描述(如公理)。從某種程度上說(shuō),歸納學(xué)習(xí)的推理量也比類(lèi)比學(xué)習(xí)大,因?yàn)闆](méi)有一個(gè)類(lèi)似的概念可以作為"源概念"加以取用。
歸納學(xué)習(xí)是最基本的,發(fā)展也較為成熟的學(xué)習(xí)方法,在人工智能領(lǐng)域中已經(jīng)得到廣泛的研究和應(yīng)用?;谒@取知識(shí)的表示形式分類(lèi) 學(xué)習(xí)系統(tǒng)獲取的知識(shí)可能有:行為規(guī)則、物理對(duì)象的描述、問(wèn)題求解策略、各種分類(lèi)及其它用于任務(wù)實(shí)現(xiàn)的知識(shí)類(lèi)型。
對(duì)于學(xué)習(xí)中獲取的知識(shí),主要有以下一些表示形式:1)代數(shù)表達(dá)式參數(shù) 學(xué)習(xí)的目標(biāo)是調(diào)節(jié)一個(gè)固定函數(shù)形式的代數(shù)表達(dá)式參數(shù)或系數(shù)來(lái)達(dá)到一個(gè)理想的性能。2)決策樹(shù) 用決策樹(shù)來(lái)劃分物體的類(lèi)屬,樹(shù)中每一內(nèi)部節(jié)點(diǎn)對(duì)應(yīng)一個(gè)物體屬性,而每一邊對(duì)應(yīng)于這些屬性的可選值,樹(shù)的葉節(jié)點(diǎn)則對(duì)應(yīng)于物體的每個(gè)基本分類(lèi)。
3)形式文法 在識(shí)別一個(gè)特定語(yǔ)言的學(xué)習(xí)中,通過(guò)對(duì)該語(yǔ)言的一系列表達(dá)式進(jìn)行歸納,形成該語(yǔ)言的形式文法。4)產(chǎn)生式規(guī)則 產(chǎn)生式規(guī)則表示為條件—?jiǎng)幼鲗?duì),已被極為廣泛地使用。
學(xué)習(xí)系統(tǒng)中的學(xué)習(xí)行為主要是:生成、泛化、特化(Specialization)或合成產(chǎn)生式規(guī)則。5)形式邏輯表達(dá)式 形式邏輯表達(dá)式的基本成分是命題、謂詞、變量、約束變量范圍的語(yǔ)句,及嵌入的邏輯表達(dá)式。
6)圖和網(wǎng)絡(luò) 有的系統(tǒng)采用圖匹配和圖轉(zhuǎn)換方案來(lái)有效地比較和索引知識(shí)。7)框架和模式(schema) 每個(gè)框架包含一組槽,用于描述事物(概念和個(gè)體)的各個(gè)方面。
8)計(jì)算機(jī)程序和其它的過(guò)程編碼 獲取這種形式的知識(shí),目的在于取得一種能實(shí)現(xiàn)特定過(guò)程的能力,而不是為了推斷該過(guò)程的內(nèi)部結(jié)構(gòu)。9)神經(jīng)網(wǎng)絡(luò) 這主要用在聯(lián)接學(xué)習(xí)。
樓主肯定對(duì)機(jī)器學(xué)習(xí)了解不多才會(huì)提這種問(wèn)題。
這問(wèn)題專(zhuān)業(yè)程度看起來(lái)和“機(jī)器學(xué)習(xí)工程師”這詞匯一樣。 機(jī)器學(xué)習(xí),基礎(chǔ)的PCA模型理論,貝葉斯,boost,Adaboost, 模式識(shí)別中的各種特征,諸如Hog,Haar,SIFT等 深度學(xué)習(xí)里的DBN,CNN,BP,RBM等等。
非專(zhuān)業(yè)出身,只是略懂一點(diǎn)。 沒(méi)有常用的,只是針對(duì)需求有具體的設(shè)計(jì),或者需要自己全新設(shè)計(jì)一個(gè)合適的算法,現(xiàn)在最熱門(mén)的算是CNN(convolutional neural networks)卷積神經(jīng)網(wǎng)絡(luò)了。
優(yōu)點(diǎn):不需要訓(xùn)練獲取特征,在學(xué)習(xí)過(guò)程中自動(dòng)提取圖像中的特征,免去了常規(guī)方法中,大量訓(xùn)練樣本的時(shí)間。在樣本足夠大的情況下,能夠得到非常精確的識(shí)別結(jié)果。
一般都能95%+的正確率。 缺點(diǎn):硬件要求高,CUDA的并行框架算是用的很火的了。
但是一般的臺(tái)式機(jī)跑一個(gè)Demo花費(fèi)的時(shí)間長(zhǎng)資源占用高。不過(guò)這也是這塊算法的通病。
1、高效的學(xué)習(xí),要學(xué)會(huì)給自己定定目標(biāo)(大、小、長(zhǎng)、短),這樣學(xué)習(xí)會(huì)有一個(gè)方向;然后梳理自身的學(xué)習(xí)情況,找出自己掌握的薄弱環(huán)節(jié)、存在的問(wèn)題、容易丟分的知識(shí)點(diǎn);再者合理的分配時(shí)間,有針對(duì)性的制定學(xué)習(xí)任務(wù),一一的去落實(shí)。
2、可以學(xué)習(xí)掌握速讀記憶的能力,提高學(xué)習(xí)復(fù)習(xí)效率。速讀記憶是一種高效的學(xué)習(xí)、復(fù)習(xí)方法,其訓(xùn)練原理就在于激活“腦、眼”潛能,培養(yǎng)形成眼腦直映式的閱讀、學(xué)習(xí)方式。速讀記憶的練習(xí)見(jiàn)《精英特全腦速讀記憶訓(xùn)練》,用軟件練習(xí),每天一個(gè)多小時(shí),一個(gè)月的時(shí)間,可以把閱讀速度提高5、6倍,記憶力、理解力等也會(huì)得到相應(yīng)的提高,最終提高學(xué)習(xí)、復(fù)習(xí)效率,取得好成績(jī)。如果你的閱讀、學(xué)習(xí)效率低的話,可以好好的去練習(xí)一下。
3、要學(xué)會(huì)整合知識(shí)點(diǎn)。把需要學(xué)習(xí)的信息、掌握的知識(shí)分類(lèi),做成思維導(dǎo)圖或知識(shí)點(diǎn)卡片,會(huì)讓你的大腦、思維條理清醒,方便記憶、溫習(xí)、掌握。同時(shí),要學(xué)會(huì)把新知識(shí)和已學(xué)知識(shí)聯(lián)系起來(lái),不斷糅合、完善你的知識(shí)體系。這樣能夠促進(jìn)理解,加深記憶。
4、做題的時(shí)候要學(xué)會(huì)反思、歸類(lèi)、整理出對(duì)應(yīng)的解題思路。遇到錯(cuò)的題(粗心做錯(cuò)也好、不會(huì)做也罷),最好能把這些錯(cuò)題收集起來(lái),每個(gè)科目都建立一個(gè)獨(dú)立的錯(cuò)題集(錯(cuò)題集要?dú)w類(lèi)),當(dāng)我們進(jìn)行考前復(fù)習(xí)的時(shí)候,它們是重點(diǎn)復(fù)習(xí)對(duì)象,保證不再同樣的問(wèn)題上再出錯(cuò)、再丟分。
就目前而言,大家都聽(tīng)說(shuō)過(guò)人工智能、物聯(lián)網(wǎng)以及大數(shù)據(jù)。當(dāng)然,人工智能的熱度最高??梢哉f(shuō),我國(guó)當(dāng)下的人工智能發(fā)展是處于領(lǐng)先水平的?,F(xiàn)如今,人工智能有很多的應(yīng)用早已在人們的生活中普及,那么大家是否知道機(jī)器學(xué)習(xí)的基本任務(wù)是什么呢?下面我們直接進(jìn)入正題。
1.機(jī)器學(xué)習(xí)的概念是什么?
對(duì)于機(jī)器學(xué)習(xí)的概念,百度上是這么解釋的,機(jī)器學(xué)習(xí)是一門(mén)多領(lǐng)域交叉學(xué)科,涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門(mén)學(xué)科。專(zhuān)門(mén)研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類(lèi)的學(xué)習(xí)行為,以獲取新的知識(shí)或技能,重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。
2.機(jī)器學(xué)習(xí)中的任務(wù)
當(dāng)然,機(jī)器學(xué)習(xí)基于數(shù)據(jù),并以此獲取新知識(shí)、新技能。它的任務(wù)有很多,分類(lèi)是其基本任務(wù)之一。分類(lèi)就是將新數(shù)據(jù)劃分到合適的類(lèi)別中,一般用于類(lèi)別型的目標(biāo)特征,如果目標(biāo)特征為連續(xù)型,則往往采用回歸方法?;貧w是對(duì)新目標(biāo)特征進(jìn)行預(yù)測(cè),是機(jī)器學(xué)習(xí)中使用非常廣泛的方法之一。
3.分類(lèi)和回歸
機(jī)器學(xué)習(xí)中的分類(lèi)和回歸,都是先根據(jù)標(biāo)簽值或目標(biāo)值建立模型或規(guī)則,然后利用這些帶有目標(biāo)值的數(shù)據(jù)形成的模型或規(guī)則,對(duì)新數(shù)據(jù)進(jìn)行識(shí)別或預(yù)測(cè)。這兩種方法都屬于監(jiān)督學(xué)習(xí)。與監(jiān)督學(xué)習(xí)相對(duì)是無(wú)監(jiān)督學(xué)習(xí),無(wú)監(jiān)督學(xué)習(xí)不指定目標(biāo)值或預(yù)先無(wú)法知道目標(biāo)值,它可以將把相似或相近的數(shù)據(jù)劃分到相同的組里,聚類(lèi)就是解決這一類(lèi)問(wèn)題的方法之一。
4.機(jī)器學(xué)習(xí)的算法都有哪些呢?
機(jī)器學(xué)習(xí)除了監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)這兩種最常見(jiàn)的方法外,還有半監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等方法,這些基本任務(wù)間的關(guān)系就是機(jī)器學(xué)習(xí)包括監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí),而監(jiān)督學(xué)習(xí)就是基于輸入數(shù)據(jù)及目標(biāo)值訓(xùn)練預(yù)測(cè)模型,而具體細(xì)分為分類(lèi)和回歸,其中分類(lèi)就是有決策樹(shù)、支持向量機(jī)、樸素貝葉斯、K-近鄰、集成方法等等,而回歸則是有線性回歸、邏輯回歸、集成方法、神經(jīng)網(wǎng)絡(luò)知識(shí)等等。而非監(jiān)督學(xué)習(xí)就是根據(jù)輸入數(shù)據(jù)對(duì)數(shù)據(jù)進(jìn)行分組,其中最具體的方式就是聚類(lèi),而涉及到的算法有K-均值算法,高斯混合算法、分層聚類(lèi)算法等等。
通過(guò)這篇文章我們給大家介紹了關(guān)于機(jī)器學(xué)習(xí)基本任務(wù)的知識(shí),從中我們不難發(fā)現(xiàn)機(jī)器學(xué)習(xí)有很多可供運(yùn)用和發(fā)展的東西,我們?cè)趯W(xué)習(xí)機(jī)器學(xué)習(xí)的時(shí)候一定要好好吸收這些知識(shí)的,讓自己的基礎(chǔ)更加牢固,能夠融會(huì)貫通。
機(jī)器學(xué)習(xí)5大流派:
①符號(hào)主義:使用符號(hào)、規(guī)則和邏輯來(lái)表征知識(shí)和進(jìn)行邏輯推理,最突出的貢獻(xiàn)算法是:規(guī)則和決策樹(shù)
②貝葉斯派:獲取發(fā)生的可能性來(lái)進(jìn)行概率推理,最突出的貢獻(xiàn)算法是:樸素貝葉斯或馬爾可夫
③聯(lián)結(jié)主義:使用概率矩陣和加權(quán)神經(jīng)元來(lái)動(dòng)態(tài)地識(shí)別和歸納模式,最突出的貢獻(xiàn)算法是:神經(jīng)網(wǎng)絡(luò)
④進(jìn)化主義:生成變化,然后為特定目標(biāo)獲取其中最優(yōu)的,最突出的貢獻(xiàn)算法是:遺傳算法
⑤Analogizer:根據(jù)約束條件來(lái)優(yōu)化函數(shù)(盡可能走到更高,但同時(shí)不要離開(kāi)道路),最突出的貢獻(xiàn)算法是:支持向量機(jī)
聲明:本網(wǎng)站尊重并保護(hù)知識(shí)產(chǎn)權(quán),根據(jù)《信息網(wǎng)絡(luò)傳播權(quán)保護(hù)條例》,如果我們轉(zhuǎn)載的作品侵犯了您的權(quán)利,請(qǐng)?jiān)谝粋€(gè)月內(nèi)通知我們,我們會(huì)及時(shí)刪除。
蜀ICP備2020033479號(hào)-4 Copyright ? 2016 學(xué)習(xí)鳥(niǎo). 頁(yè)面生成時(shí)間:3.057秒