機(jī)器學(xué)習(xí)集成方法(機(jī)器學(xué)習(xí)的類型)
1.機(jī)器學(xué)習(xí)的類型有哪些
基于學(xué)習(xí)策略的分類 學(xué)習(xí)策略是指學(xué)習(xí)過程中系統(tǒng)所采用的推理策略。
一個(gè)學(xué)習(xí)系統(tǒng)總是由學(xué)習(xí)和環(huán)境兩部分組成。由環(huán)境（如書本或教師）提供信息，學(xué)習(xí)部分則實(shí)現(xiàn)信息轉(zhuǎn)換，用能夠理解的形式記憶下來，并從中獲取有用的信息。
在學(xué)習(xí)過程中，學(xué)生（學(xué)習(xí)部分）使用的推理越少，他對教師（環(huán)境）的依賴就越大，教師的負(fù)擔(dān)也就越重。學(xué)習(xí)策略的分類標(biāo)準(zhǔn)就是根據(jù)學(xué)生實(shí)現(xiàn)信息轉(zhuǎn)換所需的推理多少和難易程度來分類的，依從簡單到復(fù)雜，從少到多的次序分為以下六種基本類型：1）機(jī)械學(xué)習(xí) （Rote learning） 學(xué)習(xí)者無需任何推理或其它的知識(shí)轉(zhuǎn)換，直接吸取環(huán)境所提供的信息。
如塞繆爾的跳棋程序，紐厄爾和西蒙的LT系統(tǒng)。這類學(xué)習(xí)系統(tǒng)主要考慮的是如何索引存貯的知識(shí)并加以利用。
系統(tǒng)的學(xué)習(xí)方法是直接通過事先編好、構(gòu)造好的程序來學(xué)習(xí)，學(xué)習(xí)者不作任何工作，或者是通過直接接收既定的事實(shí)和數(shù)據(jù)進(jìn)行學(xué)習(xí)，對輸入信息不作任何的推理。2）示教學(xué)習(xí) （Learning from instruction或Learning by being told） 學(xué)生從環(huán)境（教師或其它信息源如教科書等）獲取信息，把知識(shí)轉(zhuǎn)換成內(nèi)部可使用的表示形式，并將新的知識(shí)和原有知識(shí)有機(jī)地結(jié)合為一體。
所以要求學(xué)生有一定程度的推理能力，但環(huán)境仍要做大量的工作。教師以某種形式提出和組織知識(shí)，以使學(xué)生擁有的知識(shí)可以不斷地增加。
這種學(xué)習(xí)方法和人類社會(huì)的學(xué)校教學(xué)方式相似，學(xué)習(xí)的任務(wù)就是建立一個(gè)系統(tǒng)，使它能接受教導(dǎo)和建議，并有效地存貯和應(yīng)用學(xué)到的知識(shí)。不少專家系統(tǒng)在建立知識(shí)庫時(shí)使用這種方法去實(shí)現(xiàn)知識(shí)獲取。
示教學(xué)習(xí)的一個(gè)典型應(yīng)用例是FOO程序。3）演繹學(xué)習(xí) （Learning by deduction） 學(xué)生所用的推理形式為演繹推理。
推理從公理出發(fā)，經(jīng)過邏輯變換推導(dǎo)出結(jié)論。這種推理是"保真"變換和特化（specialization）的過程，使學(xué)生在推理過程中可以獲取有用的知識(shí)。
這種學(xué)習(xí)方法包含宏操作（macro-operation）學(xué)習(xí)、知識(shí)編輯和組塊（Chunking）技術(shù)。演繹推理的逆過程是歸納推理。
4）類比學(xué)習(xí) （Learning by analogy） 利用二個(gè)不同領(lǐng)域（源域、目標(biāo)域）中的知識(shí)相似性，可以通過類比，從源域的知識(shí)（包括相似的特征和其它性質(zhì)）推導(dǎo)出目標(biāo)域的相應(yīng)知識(shí)，從而實(shí)現(xiàn)學(xué)習(xí)。類比學(xué)習(xí)系統(tǒng)可以使一個(gè)已有的計(jì)算機(jī)應(yīng)用系統(tǒng)轉(zhuǎn)變?yōu)檫m應(yīng)于新的領(lǐng)域，來完成原先沒有設(shè)計(jì)的相類似的功能。
類比學(xué)習(xí)需要比上述三種學(xué)習(xí)方式更多的推理。它一般要求先從知識(shí)源（源域）中檢索出可用的知識(shí)，再將其轉(zhuǎn)換成新的形式，用到新的狀況（目標(biāo)域）中去。
類比學(xué)習(xí)在人類科學(xué)技術(shù)發(fā)展史上起著重要作用，許多科學(xué)發(fā)現(xiàn)就是通過類比得到的。例如著名的盧瑟福類比就是通過將原子結(jié)構(gòu)（目標(biāo)域）同太陽系（源域）作類比，揭示了原子結(jié)構(gòu)的奧秘。
5）基于解釋的學(xué)習(xí) （Explanation-based learning, EBL） 學(xué)生根據(jù)教師提供的目標(biāo)概念、該概念的一個(gè)例子、領(lǐng)域理論及可操作準(zhǔn)則，首先構(gòu)造一個(gè)解釋來說明為什該例子滿足目標(biāo)概念，然后將解釋推廣為目標(biāo)概念的一個(gè)滿足可操作準(zhǔn)則的充分條件。EBL已被廣泛應(yīng)用于知識(shí)庫求精和改善系統(tǒng)的性能。
著名的EBL系統(tǒng)有迪喬恩（G.DeJong）的GENESIS，米切爾（T.Mitchell）的LEXII和LEAP， 以及明頓（S.Minton）等的PRODIGY。6）歸納學(xué)習(xí) （Learning from induction） 歸納學(xué)習(xí)是由教師或環(huán)境提供某概念的一些實(shí)例或反例，讓學(xué)生通過歸納推理得出該概念的一般描述。
這種學(xué)習(xí)的推理工作量遠(yuǎn)多于示教學(xué)習(xí)和演繹學(xué)習(xí)，因?yàn)榄h(huán)境并不提供一般性概念描述（如公理）。從某種程度上說，歸納學(xué)習(xí)的推理量也比類比學(xué)習(xí)大，因?yàn)闆]有一個(gè)類似的概念可以作為"源概念"加以取用。
歸納學(xué)習(xí)是最基本的，發(fā)展也較為成熟的學(xué)習(xí)方法，在人工智能領(lǐng)域中已經(jīng)得到廣泛的研究和應(yīng)用。基于所獲取知識(shí)的表示形式分類 學(xué)習(xí)系統(tǒng)獲取的知識(shí)可能有：行為規(guī)則、物理對象的描述、問題求解策略、各種分類及其它用于任務(wù)實(shí)現(xiàn)的知識(shí)類型。
對于學(xué)習(xí)中獲取的知識(shí)，主要有以下一些表示形式：1）代數(shù)表達(dá)式參數(shù) 學(xué)習(xí)的目標(biāo)是調(diào)節(jié)一個(gè)固定函數(shù)形式的代數(shù)表達(dá)式參數(shù)或系數(shù)來達(dá)到一個(gè)理想的性能。2）決策樹 用決策樹來劃分物體的類屬，樹中每一內(nèi)部節(jié)點(diǎn)對應(yīng)一個(gè)物體屬性，而每一邊對應(yīng)于這些屬性的可選值，樹的葉節(jié)點(diǎn)則對應(yīng)于物體的每個(gè)基本分類。
3）形式文法 在識(shí)別一個(gè)特定語言的學(xué)習(xí)中，通過對該語言的一系列表達(dá)式進(jìn)行歸納，形成該語言的形式文法。4）產(chǎn)生式規(guī)則 產(chǎn)生式規(guī)則表示為條件—?jiǎng)幼鲗Γ驯粯O為廣泛地使用。
學(xué)習(xí)系統(tǒng)中的學(xué)習(xí)行為主要是：生成、泛化、特化（Specialization）或合成產(chǎn)生式規(guī)則。5）形式邏輯表達(dá)式 形式邏輯表達(dá)式的基本成分是命題、謂詞、變量、約束變量范圍的語句，及嵌入的邏輯表達(dá)式。
6）圖和網(wǎng)絡(luò) 有的系統(tǒng)采用圖匹配和圖轉(zhuǎn)換方案來有效地比較和索引知識(shí)。7）框架和模式（schema） 每個(gè)框架包含一組槽，用于描述事物（概念和個(gè)體）的各個(gè)方面。
8）計(jì)算機(jī)程序和其它的過程編碼 獲取這種形式的知識(shí)，目的在于取得一種能實(shí)現(xiàn)特定過程的能力，而不是為了推斷該過程的內(nèi)部結(jié)構(gòu)。9）神經(jīng)網(wǎng)絡(luò) 這主要用在聯(lián)接學(xué)習(xí)。
2.機(jī)器學(xué)習(xí)算法有哪些
樓主肯定對機(jī)器學(xué)習(xí)了解不多才會(huì)提這種問題。
這問題專業(yè)程度看起來和“機(jī)器學(xué)習(xí)工程師”這詞匯一樣。 機(jī)器學(xué)習(xí)，基礎(chǔ)的PCA模型理論，貝葉斯，boost,Adaboost， 模式識(shí)別中的各種特征，諸如Hog,Haar,SIFT等 深度學(xué)習(xí)里的DBN,CNN,BP,RBM等等。
非專業(yè)出身，只是略懂一點(diǎn)。 沒有常用的，只是針對需求有具體的設(shè)計(jì)，或者需要自己全新設(shè)計(jì)一個(gè)合適的算法，現(xiàn)在最熱門的算是CNN(convolutional neural networks)卷積神經(jīng)網(wǎng)絡(luò)了。
優(yōu)點(diǎn)：不需要訓(xùn)練獲取特征，在學(xué)習(xí)過程中自動(dòng)提取圖像中的特征，免去了常規(guī)方法中，大量訓(xùn)練樣本的時(shí)間。在樣本足夠大的情況下，能夠得到非常精確的識(shí)別結(jié)果。
一般都能95%+的正確率。 缺點(diǎn)：硬件要求高，CUDA的并行框架算是用的很火的了。
但是一般的臺(tái)式機(jī)跑一個(gè)Demo花費(fèi)的時(shí)間長資源占用高。不過這也是這塊算法的通病。
3.集成學(xué)習(xí)方法 什么情況下表現(xiàn)最好
1、高效的學(xué)習(xí)，要學(xué)會(huì)給自己定定目標(biāo)（大、小、長、短），這樣學(xué)習(xí)會(huì)有一個(gè)方向；然后梳理自身的學(xué)習(xí)情況，找出自己掌握的薄弱環(huán)節(jié)、存在的問題、容易丟分的知識(shí)點(diǎn)；再者合理的分配時(shí)間，有針對性的制定學(xué)習(xí)任務(wù)，一一的去落實(shí)。
2、可以學(xué)習(xí)掌握速讀記憶的能力，提高學(xué)習(xí)復(fù)習(xí)效率。速讀記憶是一種高效的學(xué)習(xí)、復(fù)習(xí)方法，其訓(xùn)練原理就在于激活“腦、眼”潛能，培養(yǎng)形成眼腦直映式的閱讀、學(xué)習(xí)方式。速讀記憶的練習(xí)見《精英特全腦速讀記憶訓(xùn)練》，用軟件練習(xí)，每天一個(gè)多小時(shí)，一個(gè)月的時(shí)間，可以把閱讀速度提高5、6倍，記憶力、理解力等也會(huì)得到相應(yīng)的提高，最終提高學(xué)習(xí)、復(fù)習(xí)效率，取得好成績。如果你的閱讀、學(xué)習(xí)效率低的話，可以好好的去練習(xí)一下。
3、要學(xué)會(huì)整合知識(shí)點(diǎn)。把需要學(xué)習(xí)的信息、掌握的知識(shí)分類，做成思維導(dǎo)圖或知識(shí)點(diǎn)卡片，會(huì)讓你的大腦、思維條理清醒，方便記憶、溫習(xí)、掌握。同時(shí)，要學(xué)會(huì)把新知識(shí)和已學(xué)知識(shí)聯(lián)系起來，不斷糅合、完善你的知識(shí)體系。這樣能夠促進(jìn)理解，加深記憶。
4、做題的時(shí)候要學(xué)會(huì)反思、歸類、整理出對應(yīng)的解題思路。遇到錯(cuò)的題（粗心做錯(cuò)也好、不會(huì)做也罷），最好能把這些錯(cuò)題收集起來，每個(gè)科目都建立一個(gè)獨(dú)立的錯(cuò)題集（錯(cuò)題集要?dú)w類），當(dāng)我們進(jìn)行考前復(fù)習(xí)的時(shí)候，它們是重點(diǎn)復(fù)習(xí)對象，保證不再同樣的問題上再出錯(cuò)、再丟分。
4.機(jī)器學(xué)習(xí)的基本任務(wù)是什么
就目前而言，大家都聽說過人工智能、物聯(lián)網(wǎng)以及大數(shù)據(jù)。當(dāng)然，人工智能的熱度最高。可以說，我國當(dāng)下的人工智能發(fā)展是處于領(lǐng)先水平的。現(xiàn)如今，人工智能有很多的應(yīng)用早已在人們的生活中普及，那么大家是否知道機(jī)器學(xué)習(xí)的基本任務(wù)是什么呢？下面我們直接進(jìn)入正題。
1.機(jī)器學(xué)習(xí)的概念是什么？
對于機(jī)器學(xué)習(xí)的概念，百度上是這么解釋的，機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。
2.機(jī)器學(xué)習(xí)中的任務(wù)
當(dāng)然，機(jī)器學(xué)習(xí)基于數(shù)據(jù)，并以此獲取新知識(shí)、新技能。它的任務(wù)有很多，分類是其基本任務(wù)之一。分類就是將新數(shù)據(jù)劃分到合適的類別中，一般用于類別型的目標(biāo)特征，如果目標(biāo)特征為連續(xù)型，則往往采用回歸方法。回歸是對新目標(biāo)特征進(jìn)行預(yù)測，是機(jī)器學(xué)習(xí)中使用非常廣泛的方法之一。
3.分類和回歸
機(jī)器學(xué)習(xí)中的分類和回歸，都是先根據(jù)標(biāo)簽值或目標(biāo)值建立模型或規(guī)則，然后利用這些帶有目標(biāo)值的數(shù)據(jù)形成的模型或規(guī)則，對新數(shù)據(jù)進(jìn)行識(shí)別或預(yù)測。這兩種方法都屬于監(jiān)督學(xué)習(xí)。與監(jiān)督學(xué)習(xí)相對是無監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)不指定目標(biāo)值或預(yù)先無法知道目標(biāo)值，它可以將把相似或相近的數(shù)據(jù)劃分到相同的組里，聚類就是解決這一類問題的方法之一。
4.機(jī)器學(xué)習(xí)的算法都有哪些呢？
機(jī)器學(xué)習(xí)除了監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)這兩種最常見的方法外，還有半監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等方法，這些基本任務(wù)間的關(guān)系就是機(jī)器學(xué)習(xí)包括監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，而監(jiān)督學(xué)習(xí)就是基于輸入數(shù)據(jù)及目標(biāo)值訓(xùn)練預(yù)測模型，而具體細(xì)分為分類和回歸，其中分類就是有決策樹、支持向量機(jī)、樸素貝葉斯、K-近鄰、集成方法等等，而回歸則是有線性回歸、邏輯回歸、集成方法、神經(jīng)網(wǎng)絡(luò)知識(shí)等等。而非監(jiān)督學(xué)習(xí)就是根據(jù)輸入數(shù)據(jù)對數(shù)據(jù)進(jìn)行分組，其中最具體的方式就是聚類，而涉及到的算法有K-均值算法，高斯混合算法、分層聚類算法等等。
通過這篇文章我們給大家介紹了關(guān)于機(jī)器學(xué)習(xí)基本任務(wù)的知識(shí)，從中我們不難發(fā)現(xiàn)機(jī)器學(xué)習(xí)有很多可供運(yùn)用和發(fā)展的東西，我們在學(xué)習(xí)機(jī)器學(xué)習(xí)的時(shí)候一定要好好吸收這些知識(shí)的，讓自己的基礎(chǔ)更加牢固，能夠融會(huì)貫通。
5.機(jī)器學(xué)習(xí)有哪些主要流派它們分別有什么貢獻(xiàn)
機(jī)器學(xué)習(xí)5大流派：
①符號(hào)主義：使用符號(hào)、規(guī)則和邏輯來表征知識(shí)和進(jìn)行邏輯推理，最突出的貢獻(xiàn)算法是：規(guī)則和決策樹
②貝葉斯派：獲取發(fā)生的可能性來進(jìn)行概率推理，最突出的貢獻(xiàn)算法是：樸素貝葉斯或馬爾可夫
③聯(lián)結(jié)主義：使用概率矩陣和加權(quán)神經(jīng)元來動(dòng)態(tài)地識(shí)別和歸納模式，最突出的貢獻(xiàn)算法是：神經(jīng)網(wǎng)絡(luò)
④進(jìn)化主義：生成變化，然后為特定目標(biāo)獲取其中最優(yōu)的，最突出的貢獻(xiàn)算法是：遺傳算法
⑤Analogizer：根據(jù)約束條件來優(yōu)化函數(shù)（盡可能走到更高，但同時(shí)不要離開道路），最突出的貢獻(xiàn)算法是：支持向量機(jī)
