Please enable JavaScript.
Coggle requires JavaScript to display documents.
機器學習Link Title (推理 (知識 (對某個主題確信的認識,並且這些認識擁有在特定目的使用, 學習), 理智的從某些前提產生結論),…
-
-
-
-
監督式學習(Supervised Learning):在訓練的過程中提供物件(向量)和預期輸出(輸入和輸出;特徵和目標)可以由訓練資料中學到或建立一個模型(函數),需要「有標籤」的分類資料或是一個連續的值(迴歸分析)。 常見的監督學習演算法包括迴歸分析和統計分類
-
非監督式學習(Unsupervised Learning):這種機器學習方式不需要人力事前的輸入標籤,僅僅提供了輸入範例,便直接以沒有標準答案的資料來訓練機器,在學習時機器會自動找出潛在類別的規則,並且反覆以經過測試後的學習結果應用到新的案例上。與監督學習相比,訓練集沒有人為標註的結果。 常見的無監督學習演算法有生成對抗網路(GAN)和聚類
生成對抗網路:通過讓兩個神經網路相互博弈的方式進行學習
是一種生成模型(Generative Model),其背後基本思想是從訓練庫裡獲取很多訓練樣本,從而學習這些訓練案例生成的機率分布。
實現的方法,是讓兩個網路相互競爭,『玩一個遊戲』
一個叫做生成器網路(Generator Network),它不斷捕捉訓練庫裡真實圖片的機率分布,將輸入的隨機噪聲(Random Noise)轉變成新的樣本(也就是假數據)。
一個叫做判別器網路(Discriminator Network),它可以同時觀察真實和假造的數據,判斷這個數據到底是不是真的
-
半監督學習(Semi-supervised learning):介於監督學習與非監督學習之間。學習方式先將「有標籤」的資料和「無標籤」的資料切出一條分界線,再將「無標籤」資料依據整體分布,調整出兩大類別的新分界。不需要百分之百大量的「有標籤」資料,讓半監督學習同時能降低成本又具有非監督式學習高自動化的優點
強化學習又稱增強學習(reinforcement learning):即如何在環境給予的獎懲刺激下,一步步形成對於這些刺激的預期,來產生能夠獲得最大利益的習慣性行為,強調的是透過環境而行動,並會隨時根據輸入的資料逐步修正
-
-