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
-
-