更改

机器学习 Machine Learning (查看源代码)

2020年7月23日 (四) 09:39的版本

删除2,120字节、 2020年7月23日 (四) 09:39

第272行：第272行：

:''主文章：[[强化学习]]''

强化学习是指一个''智能体（agent）''应该如何在''环境''中采取''行动''，从而最大限度地获得长期''报酬''的概念。强化学习算法试图找到一种''策略''，将世界''状态''映射到智能体在这些状态中应该采取的行动。强化学习不同于[https://en.wikipedia.org/wiki/Supervised_learning 监督学习]问题，因为不会提供正确的输入/输出对，也没有明确地修正次优行为。

−

~~===表示学习===~~

−

~~:''主文章：[https://en.wikipedia.org/wiki/Representation_learning 表示学习]''~~

−

一些学习算法，大多是[https://en.wikipedia.org/wiki/Unsupervised_learning 无监督学习]算法，旨在发现更好的输入的训练数据的表示。经典的例子包括[https://en.wikipedia.org/wiki/Principal_component_analysis 主成分分析]和[https://en.wikipedia.org/wiki/Cluster_analysis 聚类分析]。表示学习算法通常试图在输入中保留信息，并将其转换成有用的方式，通常是在执行分类或预测之前的预处理步骤，允许重构来自未知数据生成分布的输入，而不一定对不太可能服从该分布的结构可靠。

−

[https://en.wikipedia.org/wiki/Nonlinear_dimensionality_reduction#Manifold_learning_algorithms 流形学习]算法尝试处理被学习的数据表示是低维的情况。[https://en.wikipedia.org/wiki/Neural_coding#Sparse_coding 稀疏编码]算法尝试处理被学习的数据表示是稀疏(有多个零)的情况。[https://en.wikipedia.org/wiki/Multilinear_subspace_learning 多线性子空间学习]算法的目的是直接从多维数据的[https://en.wikipedia.org/wiki/Tensor 张量]表示中学习低维表示，而不将它们重构成(高维)向量<ref>{{cite journal |first1=Haiping |last1=Lu |first2=K.N. |last2=Plataniotis |first3=A.N. |last3=Venetsanopoulos |url=http://www.dsp.utoronto.ca/~haiping/Publication/SurveyMSL_PR2011.pdf |title=A Survey of Multilinear Subspace Learning for Tensor Data |journal=Pattern Recognition |volume=44 |number=7 |pages=1540–1551 |year=2011 }}</ref>。深度学习算法能发现数据表示的多个层次，或者由低级特征定义(或生成)的更高、更抽象的特征层次。有人认为，智能机器是一种学习表示法的机器，它能找出那些解释观测数据的潜在变异因素<ref>{{cite book

−

~~| title = Learning Deep Architectures for AI~~

−

~~| author = Yoshua Bengio~~

−

~~| publisher = Now Publishers Inc.~~

−

~~| year = 2009~~

−

~~| isbn : 978-1-60198-294-0~~

−

~~| pages = 1–3~~

−

~~| url = https://books.google.com/books?id=cq5ewg7FniMC&pg=PA3~~

−

~~}}</ref>。~~

===相似性与度量学习===

Yillia Jing

463

个编辑