機器學(xué)習集成方法(機器學(xué)習的類(lèi)型)

1.機器學(xué)習的類(lèi)型有哪些

基于學(xué)習策略的分類(lèi) 學(xué)習策略是指學(xué)習過(guò)程中系統所采用的推理策略。

一個(gè)學(xué)習系統總是由學(xué)習和環(huán)境兩部分組成。由環(huán)境（如書(shū)本或教師）提供信息，學(xué)習部分則實(shí)現信息轉換，用能夠理解的形式記憶下來(lái)，并從中獲取有用的信息。

在學(xué)習過(guò)程中，學(xué)生（學(xué)習部分）使用的推理越少，他對教師（環(huán)境）的依賴(lài)就越大，教師的負擔也就越重。學(xué)習策略的分類(lèi)標準就是根據學(xué)生實(shí)現信息轉換所需的推理多少和難易程度來(lái)分類(lèi)的，依從簡(jiǎn)單到復雜，從少到多的次序分為以下六種基本類(lèi)型：1）機械學(xué)習 （Rote learning） 學(xué)習者無(wú)需任何推理或其它的知識轉換，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。這類(lèi)學(xué)習系統主要考慮的是如何索引存貯的知識并加以利用。

系統的學(xué)習方法是直接通過(guò)事先編好、構造好的程序來(lái)學(xué)習，學(xué)習者不作任何工作，或者是通過(guò)直接接收既定的事實(shí)和數據進(jìn)行學(xué)習，對輸入信息不作任何的推理。2）示教學(xué)習 （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(shū)等）獲取信息，把知識轉換成內部可使用的表示形式，并將新的知識和原有知識有機地結合為一體。

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，以使學(xué)生擁有的知識可以不斷地增加。

這種學(xué)習方法和人類(lèi)社會(huì )的學(xué)校教學(xué)方式相似，學(xué)習的任務(wù)就是建立一個(gè)系統，使它能接受教導和建議，并有效地存貯和應用學(xué)到的知識。不少專(zhuān)家系統在建立知識庫時(shí)使用這種方法去實(shí)現知識獲取。

示教學(xué)習的一個(gè)典型應用例是FOO程序。3）演繹學(xué)習 （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(guò)邏輯變換推導出結論。這種推理是"保真"變換和特化（specialization）的過(guò)程，使學(xué)生在推理過(guò)程中可以獲取有用的知識。

這種學(xué)習方法包含宏操作（macro-operation）學(xué)習、知識編輯和組塊（Chunking）技術(shù)。演繹推理的逆過(guò)程是歸納推理。

4）類(lèi)比學(xué)習 （Learning by analogy） 利用二個(gè)不同領(lǐng)域（源域、目標域）中的知識相似性，可以通過(guò)類(lèi)比，從源域的知識（包括相似的特征和其它性質(zhì)）推導出目標域的相應知識，從而實(shí)現學(xué)習。類(lèi)比學(xué)習系統可以使一個(gè)已有的計算機應用系統轉變?yōu)檫m應于新的領(lǐng)域，來(lái)完成原先沒(méi)有設計的相類(lèi)似的功能。

類(lèi)比學(xué)習需要比上述三種學(xué)習方式更多的推理。它一般要求先從知識源（源域）中檢索出可用的知識，再將其轉換成新的形式，用到新的狀況（目標域）中去。

類(lèi)比學(xué)習在人類(lèi)科學(xué)技術(shù)發(fā)展史上起著(zhù)重要作用，許多科學(xué)發(fā)現就是通過(guò)類(lèi)比得到的。例如著(zhù)名的盧瑟福類(lèi)比就是通過(guò)將原子結構（目標域）同太陽(yáng)系（源域）作類(lèi)比，揭示了原子結構的奧秘。

5）基于解釋的學(xué)習 （Explanation-based learning, EBL） 學(xué)生根據教師提供的目標概念、該概念的一個(gè)例子、領(lǐng)域理論及可操作準則，首先構造一個(gè)解釋來(lái)說(shuō)明為什該例子滿(mǎn)足目標概念，然后將解釋推廣為目標概念的一個(gè)滿(mǎn)足可操作準則的充分條件。EBL已被廣泛應用于知識庫求精和改善系統的性能。

著(zhù)名的EBL系統有迪喬恩（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 （Learning from induction） 歸納學(xué)習是由教師或環(huán)境提供某概念的一些實(shí)例或反例，讓學(xué)生通過(guò)歸納推理得出該概念的一般描述。

這種學(xué)習的推理工作量遠多于示教學(xué)習和演繹學(xué)習，因為環(huán)境并不提供一般性概念描述（如公理）。從某種程度上說(shuō)，歸納學(xué)習的推理量也比類(lèi)比學(xué)習大，因為沒(méi)有一個(gè)類(lèi)似的概念可以作為"源概念"加以取用。

歸納學(xué)習是最基本的，發(fā)展也較為成熟的學(xué)習方法，在人工智能領(lǐng)域中已經(jīng)得到廣泛的研究和應用。基于所獲取知識的表示形式分類(lèi) 學(xué)習系統獲取的知識可能有：行為規則、物理對象的描述、問(wèn)題求解策略、各種分類(lèi)及其它用于任務(wù)實(shí)現的知識類(lèi)型。

對于學(xué)習中獲取的知識，主要有以下一些表示形式：1）代數表達式參數 學(xué)習的目標是調節一個(gè)固定函數形式的代數表達式參數或系數來(lái)達到一個(gè)理想的性能。2）決策樹(shù) 用決策樹(shù)來(lái)劃分物體的類(lèi)屬，樹(shù)中每一內部節點(diǎn)對應一個(gè)物體屬性，而每一邊對應于這些屬性的可選值，樹(shù)的葉節點(diǎn)則對應于物體的每個(gè)基本分類(lèi)。

3）形式文法 在識別一個(gè)特定語(yǔ)言的學(xué)習中，通過(guò)對該語(yǔ)言的一系列表達式進(jìn)行歸納，形成該語(yǔ)言的形式文法。4）產(chǎn)生式規則 產(chǎn)生式規則表示為條件—動(dòng)作對，已被極為廣泛地使用。

學(xué)習系統中的學(xué)習行為主要是：生成、泛化、特化（Specialization）或合成產(chǎn)生式規則。5）形式邏輯表達式 形式邏輯表達式的基本成分是命題、謂詞、變量、約束變量范圍的語(yǔ)句，及嵌入的邏輯表達式。

6）圖和網(wǎng)絡(luò ) 有的系統采用圖匹配和圖轉換方案來(lái)有效地比較和索引知識。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）計算機程序和其它的過(guò)程編碼 獲取這種形式的知識，目的在于取得一種能實(shí)現特定過(guò)程的能力，而不是為了推斷該過(guò)程的內部結構。9）神經(jīng)網(wǎng)絡(luò ) 這主要用在聯(lián)接學(xué)習。

2.機器學(xué)習算法有哪些

樓主肯定對機器學(xué)習了解不多才會(huì )提這種問(wèn)題。

這問(wèn)題專(zhuān)業(yè)程度看起來(lái)和“機器學(xué)習工程師”這詞匯一樣。 機器學(xué)習，基礎的PCA模型理論，貝葉斯，boost,Adaboost， 模式識別中的各種特征，諸如Hog,Haar,SIFT等 深度學(xué)習里的DBN,CNN,BP,RBM等等。

非專(zhuān)業(yè)出身，只是略懂一點(diǎn)。 沒(méi)有常用的，只是針對需求有具體的設計，或者需要自己全新設計一個(gè)合適的算法，現在最熱門(mén)的算是CNN(convolutional neural networks)卷積神經(jīng)網(wǎng)絡(luò )了。

優(yōu)點(diǎn)：不需要訓練獲取特征，在學(xué)習過(guò)程中自動(dòng)提取圖像中的特征，免去了常規方法中，大量訓練樣本的時(shí)間。在樣本足夠大的情況下，能夠得到非常精確的識別結果。

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。

但是一般的臺式機跑一個(gè)Demo花費的時(shí)間長(cháng)資源占用高。不過(guò)這也是這塊算法的通病。

3.集成學(xué)習方法 什么情況下表現最好

1、高效的學(xué)習，要學(xué)會(huì )給自己定定目標（大、小、長(cháng)、短），這樣學(xué)習會(huì )有一個(gè)方向；然后梳理自身的學(xué)習情況，找出自己掌握的薄弱環(huán)節、存在的問(wèn)題、容易丟分的知識點(diǎn)；再者合理的分配時(shí)間，有針對性的制定學(xué)習任務(wù)，一一的去落實(shí)。

2、可以學(xué)習掌握速讀記憶的能力，提高學(xué)習復習效率。速讀記憶是一種高效的學(xué)習、復習方法，其訓練原理就在于激活“腦、眼”潛能，培養形成眼腦直映式的閱讀、學(xué)習方式。速讀記憶的練習見(jiàn)《精英特全腦速讀記憶訓練》，用軟件練習，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 )得到相應的提高，最終提高學(xué)習、復習效率，取得好成績(jì)。如果你的閱讀、學(xué)習效率低的話(huà)，可以好好的去練習一下。

3、要學(xué)會(huì )整合知識點(diǎn)。把需要學(xué)習的信息、掌握的知識分類(lèi)，做成思維導圖或知識點(diǎn)卡片，會(huì )讓你的大腦、思維條理清醒，方便記憶、溫習、掌握。同時(shí)，要學(xué)會(huì )把新知識和已學(xué)知識聯(lián)系起來(lái)，不斷糅合、完善你的知識體系。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(lèi)、整理出對應的解題思路。遇到錯的題（粗心做錯也好、不會(huì )做也罷），最好能把這些錯題收集起來(lái)，每個(gè)科目都建立一個(gè)獨立的錯題集（錯題集要歸類(lèi)），當我們進(jìn)行考前復習的時(shí)候，它們是重點(diǎn)復習對象，保證不再同樣的問(wèn)題上再出錯、再丟分。

4.機器學(xué)習的基本任務(wù)是什么

就目前而言，大家都聽(tīng)說(shuō)過(guò)人工智能、物聯(lián)網(wǎng)以及大數據。當然，人工智能的熱度最高。可以說(shuō)，我國當下的人工智能發(fā)展是處于領(lǐng)先水平的。現如今，人工智能有很多的應用早已在人們的生活中普及，那么大家是否知道機器學(xué)習的基本任務(wù)是什么呢？下面我們直接進(jìn)入正題。

1.機器學(xué)習的概念是什么？

對于機器學(xué)習的概念，百度上是這么解釋的，機器學(xué)習是一門(mén)多領(lǐng)域交叉學(xué)科，涉及概率論、統計學(xué)、逼近論、凸分析、算法復雜度理論等多門(mén)學(xué)科。專(zhuān)門(mén)研究計算機怎樣模擬或實(shí)現人類(lèi)的學(xué)習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

2.機器學(xué)習中的任務(wù)

當然，機器學(xué)習基于數據，并以此獲取新知識、新技能。它的任務(wù)有很多，分類(lèi)是其基本任務(wù)之一。分類(lèi)就是將新數據劃分到合適的類(lèi)別中，一般用于類(lèi)別型的目標特征，如果目標特征為連續型，則往往采用回歸方法。回歸是對新目標特征進(jìn)行預測，是機器學(xué)習中使用非常廣泛的方法之一。

3.分類(lèi)和回歸

機器學(xué)習中的分類(lèi)和回歸，都是先根據標簽值或目標值建立模型或規則，然后利用這些帶有目標值的數據形成的模型或規則，對新數據進(jìn)行識別或預測。這兩種方法都屬于監督學(xué)習。與監督學(xué)習相對是無(wú)監督學(xué)習，無(wú)監督學(xué)習不指定目標值或預先無(wú)法知道目標值，它可以將把相似或相近的數據劃分到相同的組里，聚類(lèi)就是解決這一類(lèi)問(wèn)題的方法之一。

4.機器學(xué)習的算法都有哪些呢？

機器學(xué)習除了監督學(xué)習、無(wú)監督學(xué)習這兩種最常見(jiàn)的方法外，還有半監督學(xué)習、強化學(xué)習等方法，這些基本任務(wù)間的關(guān)系就是機器學(xué)習包括監督學(xué)習和無(wú)監督學(xué)習，而監督學(xué)習就是基于輸入數據及目標值訓練預測模型，而具體細分為分類(lèi)和回歸，其中分類(lèi)就是有決策樹(shù)、支持向量機、樸素貝葉斯、K-近鄰、集成方法等等，而回歸則是有線(xiàn)性回歸、邏輯回歸、集成方法、神經(jīng)網(wǎng)絡(luò )知識等等。而非監督學(xué)習就是根據輸入數據對數據進(jìn)行分組，其中最具體的方式就是聚類(lèi)，而涉及到的算法有K-均值算法，高斯混合算法、分層聚類(lèi)算法等等。

通過(guò)這篇文章我們給大家介紹了關(guān)于機器學(xué)習基本任務(wù)的知識，從中我們不難發(fā)現機器學(xué)習有很多可供運用和發(fā)展的東西，我們在學(xué)習機器學(xué)習的時(shí)候一定要好好吸收這些知識的，讓自己的基礎更加牢固，能夠融會(huì )貫通。

5.機器學(xué)習有哪些主要流派它們分別有什么貢獻

機器學(xué)習5大流派：

①符號主義：使用符號、規則和邏輯來(lái)表征知識和進(jìn)行邏輯推理，最突出的貢獻算法是：規則和決策樹(shù)

②貝葉斯派：獲取發(fā)生的可能性來(lái)進(jìn)行概率推理，最突出的貢獻算法是：樸素貝葉斯或馬爾可夫

③聯(lián)結主義：使用概率矩陣和加權神經(jīng)元來(lái)動(dòng)態(tài)地識別和歸納模式，最突出的貢獻算法是：神經(jīng)網(wǎng)絡(luò )

④進(jìn)化主義：生成變化，然后為特定目標獲取其中最優(yōu)的，最突出的貢獻算法是：遺傳算法

⑤Analogizer：根據約束條件來(lái)優(yōu)化函數（盡可能走到更高，但同時(shí)不要離開(kāi)道路），最突出的貢獻算法是：支持向量機