如前所述，機(jī)器學(xué)習(xí)是AI的一個(gè)子集，通常分為兩大類(lèi)：有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)。

監(jiān)督學(xué)習(xí)

教學(xué)AI系統(tǒng)的常用技術(shù)是通過(guò)使用大量帶標(biāo)簽的示例來(lái)訓(xùn)練它們。這些機(jī)器學(xué)習(xí)系統(tǒng)被饋入大量數(shù)據(jù)，這些數(shù)據(jù)已被注釋以突出顯示感興趣的功能。這些照片可能被標(biāo)記為照片以表明它們是否包含狗或帶有腳注的書(shū)面句子，以表明“低音”一詞與音樂(lè)還是魚(yú)類(lèi)有關(guān)。經(jīng)過(guò)培訓(xùn)后，系統(tǒng)便可以將這些標(biāo)簽罐應(yīng)用于新數(shù)據(jù)，例如應(yīng)用于剛剛上傳的照片中的狗。

人工智能

通過(guò)示例教學(xué)機(jī)器的過(guò)程稱(chēng)為監(jiān)督學(xué)習(xí)，并且標(biāo)記這些示例的角色通常由 在線(xiàn)工作人員執(zhí)行，并通過(guò)諸如Amazon Mechanical Turk之類(lèi)的平臺(tái)雇用。

訓(xùn)練這些系統(tǒng)通常需要大量的數(shù)據(jù)，有些系統(tǒng)需要搜尋數(shù)百萬(wàn)個(gè)示例來(lái)學(xué)習(xí)如何有效地執(zhí)行任務(wù)-盡管在大數(shù)據(jù)和廣泛的數(shù)據(jù)挖掘時(shí)代，這越來(lái)越有可能。訓(xùn)練數(shù)據(jù)集龐大且規(guī)模不斷擴(kuò)大 Google的Open Images Dataset擁有約900萬(wàn)張圖像，而其帶有標(biāo)簽的視頻存儲(chǔ)庫(kù)YouTube-8M鏈接了700萬(wàn)個(gè)帶有標(biāo)簽的視頻。ImageNet是這類(lèi)早期數(shù)據(jù)庫(kù)之一，擁有超過(guò)1400萬(wàn)張分類(lèi)圖像。該文件經(jīng)過(guò)兩年的編寫(xiě)，由近50,000人(其中大部分是通過(guò)Amazon Mechanical Turk招募的)匯集在一起??的，他們檢查，分類(lèi)并標(biāo)記了將近10億張候選圖片。

人工智能

從長(zhǎng)遠(yuǎn)來(lái)看，與龐大的計(jì)算能力相比，訪(fǎng)問(wèn)具有大量標(biāo)記數(shù)據(jù)集的重要性可能不那么重要。近年來(lái)，Generative Adversarial Networks(GAN)展示了向機(jī)器學(xué)習(xí)系統(tǒng)饋送少量標(biāo)記數(shù)據(jù)的方式，然后可以生成大量新鮮數(shù)據(jù)來(lái)自學(xué)。

這種方法可能會(huì)導(dǎo)致半監(jiān)督學(xué)習(xí)的興起，在這種情況下，系統(tǒng)可以使用遠(yuǎn)遠(yuǎn)少于當(dāng)今使用監(jiān)督學(xué)習(xí)的訓(xùn)練系統(tǒng)所需要的標(biāo)記數(shù)據(jù)來(lái)學(xué)習(xí)如何執(zhí)行任務(wù)。

人工智能

無(wú)監(jiān)督學(xué)習(xí)

相比之下，無(wú)監(jiān)督學(xué)習(xí)則使用另一種方法，即算法嘗試識(shí)別數(shù)據(jù)中的模式，尋找可用于對(duì)數(shù)據(jù)進(jìn)行分類(lèi)的相似性。

一個(gè)例子可能是將重量相似的水果或發(fā)動(dòng)機(jī)尺寸相似的汽車(chē)聚集在一起。

該算法并非預(yù)先設(shè)置為挑選特定類(lèi)型的數(shù)據(jù)，它只是尋找可以根據(jù)其相似性進(jìn)行分組的數(shù)據(jù)，例如Google News每天將相似主題的故事分組在一起。

人工智能

強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)的粗略類(lèi)比是當(dāng)寵物在表演把戲時(shí)獎(jiǎng)勵(lì)其零食。

在強(qiáng)化學(xué)習(xí)中，系統(tǒng)嘗試根據(jù)其輸入數(shù)據(jù)最大化獎(jiǎng)勵(lì)，基本上要經(jīng)過(guò)反復(fù)試驗(yàn)的過(guò)程，直到獲得最佳結(jié)果。

強(qiáng)化學(xué)習(xí)的一個(gè)例子是Google DeepMind的Deep Q網(wǎng)絡(luò)，該網(wǎng)絡(luò) 已被用于在各種經(jīng)典視頻游戲中實(shí)現(xiàn)最佳人類(lèi)表現(xiàn)。系統(tǒng)從每個(gè)游戲中獲取像素，并確定各種信息，例如屏幕上對(duì)象之間的距離。

通過(guò)查看每個(gè)游戲中獲得的分?jǐn)?shù)，系統(tǒng)會(huì)建立一個(gè)模型，該模型的動(dòng)作將在不同情況下使分?jǐn)?shù)最大化，例如，在視頻游戲Breakout的情況下，應(yīng)將球拍移至其中以攔截球。

總結(jié)

以上是生活随笔為你收集整理的监督学习和无监督学习_机器学习的要素是什么？ 有监督学习和无监督学习两大类...的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。