机器学习基石-Types of Learning

Types of Learning

课程回顾

先回顾下上节课的课程，我们主要学习了第一个简单的hypothesis—perceptron，在线性可分的条件下我们使用PLA算法寻找目标的那个g。然后本节课，我们学习下learning的分类。

Different Outer Space Y

根据输出空间的不同，可以将学习大致分成如下几类：

1、二元分类，输出空间为两个离散值，二元分类最基础的分类问题；

2、多元分类，输出空间为多个离散值；

3、回归，输出空间为连续的数值；

4、结构化的学习，输出空间为我们期望的某种结构；

……

其中，二元分类和回归是最基础的问题。

Different Data Lable yn

根据学习的资料的标记的不同，可将学习分成以下几类：

1、监督式学习，所有的资料均有标记；

2、非监督式学习，所有的资料均无标记；

3、半监督式学习，部分资料有标记；

4、增强学习，没有明确的标记但是有一些辅助性的资料；

……

Different Protocol f => (Xn，Yn)

根据喂给机器资料方式的不同，可以将学习分类如下：

1、batch式，可以理解成“填鸭式学习”，一次性喂大量资料给机器进行训练；

2、online式，“循序渐进”地给机器喂资料进行学习；

3、active式，可以理解成赋予机器“问问题的能力”，多用于进行标记比较昂贵的场景；

……

Different Input Space X

根据观测集D中特征的特性，可做如下分类：

1、资料中特征都是具体的，所谓具体就是特征都能用人的智慧来进行描述；

2、原始的特征集；

3、抽象的特征集；

……

对于拥有具体特征的特征集，我们无需做过多处理，对于原始甚至是抽象的特征集，我们就需要做一些更深层次的特征工程（深度学习）来抽取特征。

本节课的内容比较简单，主要是从输出空间，资料标签，资料输入方式和输入空间的特征等四个方面对机器学习进行分类。