Давайте посмотрим на более обобщенные системы машинного обучения.
Мы все хорошо знакомы с названиями обучения с учителем, без учителя, обучения с подкреплением и т. д. Существуют более общие термины, которые разделяют системы обучения более простым способом. Давайте рассмотрим их.
1. Контролируемое/неконтролируемое обучение:
Эти системы обучения вступают в действие в зависимости от количества и типа контроля, который они получают во время обучения. Подкатегории: контролируемое, неконтролируемое, полуконтролируемое, обучение с подкреплением.
Обучение под наблюдением:
Обучение с учителем включает в себя обучающие данные, а также их желаемые результаты/решения, называемые метками. Классификация и регрессия подпадают под эту категорию.
Неконтролируемое обучение:
Unsupervised , как вы могли догадаться, включает в себя немаркированный обучающий набор. В целом система пытается учиться без учителя. Кластеризация, обнаружение аномалий/новизны, уменьшение размерности/визуализации, изучение ассоциативных правил являются частью неконтролируемого обучения.
Полуконтролируемое обучение:
Полуконтролируемое обучение происходит, когда данные частично помечены и в основном не помечены. Большинство алгоритмов обучения с полуучителем представляют собой комбинацию алгоритмов с учителем и без учителя. Пример: сети глубокого убеждения (DBN).
Обучение с подкреплением:
Обучение с подкреплением — самая продвинутая методика обучения, позволяющая наблюдать за окружающей средой, выбирать и выполнять действия и получать взамен вознаграждение, которое может быть как положительным, так и отрицательным.
2. Пакетное или онлайн-обучение:
Эта категория проверяет, может ли система постепенно обучаться из потока входящих данных.
Пакетное обучение:
Эта система обучения не способна обучаться постепенно, ее необходимо обучать, используя все доступные данные, что также называется обучением в автономном режиме.
Онлайн обучение:
При онлайн-обучении система обучается постепенно, путем последовательной подачи экземпляров данных либо индивидуально, либо небольшими группами, называемыми мини-пакетами. Поток данных является непрерывным, и, следовательно, система обучения должна быстро или автономно адаптироваться к изменениям.
3. Обучение на основе примеров и моделей:
Эта категория посвящена обобщению, то есть тому, как модель обобщает.
Обучение на основе экземпляров:
Обучение на основе экземпляров — это когда система запоминает примеры наизусть, а затем обобщает новые случаи, сравнивая их с новыми примерами, используя меру подобия. Когда я говорю выучить наизусть, это означает, например, что в случае рассылки спама модель, которая научилась спамить электронные письма, идентичные известным спамовым электронным письмам, также помечает электронные письма, которые очень похожи на известные спамовые электронные письма.
Обучение на основе моделей:
Другой способ обобщить набор примеров — построить модель этих примеров, а затем использовать эту модель для прогнозирования. Это называется обучением на основе моделей.
Приятного обучения!
