機器學習之非監(jiān)督學習與強化學習

非監(jiān)督式學習：

在此學習方式下，輸入數(shù)據(jù)部分被標識，部分沒有被標識，這種學習模型可以用來進行預測，但是模型首先需要學習數(shù)據(jù)的內(nèi)在結構以便合理的組織數(shù)據(jù)來進行預測。應用場景包括分類和回歸，算法包括一些對常用監(jiān)督式學習算法的延伸，這些算法首先試圖對未標識數(shù)據(jù)進行建模，在此基礎上再對標識的數(shù)據(jù)進行預測。如圖論推理算法（Graph Inference）或者拉普拉斯支持向量機（Laplacian SVM.）等。

強化學習

在這種學習模式下，輸入數(shù)據(jù)作為對模型的反饋，不像監(jiān)督模型那樣，輸入數(shù)據(jù)僅僅是作為一個檢查模型對錯的方式，在強化學習下，輸入數(shù)據(jù)直接反饋到模型，模型必須對此立刻作出調(diào)整。常見的應用場景包括動態(tài)系統(tǒng)以及機器人控制等。常見算法包括Q-Learning以及時間差學習（Temporal difference learning）。

在企業(yè)數(shù)據(jù)應用的場景下， 人們最常用的可能就是監(jiān)督式學習和非監(jiān)督式學習的模型。 在圖像識別等領域，由于存在大量的非標識的數(shù)據(jù)和少量的可標識數(shù)據(jù)， 目前半監(jiān)督式學習是一個很熱的話題。 而強化學習更多的應用在機器人控制及其他需要進行系統(tǒng)控制的領域。

生活不易，碼農(nóng)辛苦
如果您覺得本網(wǎng)站對您的學習有所幫助,可以手機掃描二維碼進行捐贈