更改

无编辑摘要
第28行: 第28行:  
===机器学习的任务===
 
===机器学习的任务===
 
机器学习任务通常分为两大类,取决于学习系统是否存在学习“信号”或“反馈”:
 
机器学习任务通常分为两大类,取决于学习系统是否存在学习“信号”或“反馈”:
* '''监督学习''':向计算机展示由“教师”提供的示例输入及其期望的输出,目标是学习将输入[https://en.wikipedia.org/wiki/Map_(mathematics) 映射]到输出的一般规则。作为特例,输入信号只能被部分提供,或仅限于特定反馈:
+
* '''监督学习''':向计算机展示由“教师”提供的示例输入及其期望的输出,目标是学习将输入映射到输出的一般规则。作为特例,输入信号只能被部分提供,或仅限于特定反馈:
 
** '''半监督学习''':只提供给计算机一个不完整的训练信号:一个训练集,其中有一些(通常很多)的目标输出丢失。
 
** '''半监督学习''':只提供给计算机一个不完整的训练信号:一个训练集,其中有一些(通常很多)的目标输出丢失。
 
** '''主动学习''':计算机只能获得有限的实例集(基于预算)的训练标签,还必须优化对象的选择以获取标签。当交互使用时,可以向用户展示这些对象以供标签。
 
** '''主动学习''':计算机只能获得有限的实例集(基于预算)的训练标签,还必须优化对象的选择以获取标签。当交互使用时,可以向用户展示这些对象以供标签。
第77行: 第77行:  
=== 与人工智能的关系 ===
 
=== 与人工智能的关系 ===
   −
作为一项科研成果,机器学习源于对人工智能的探索。在人工智能这一学科研究的早期,一些研究人员对于让机器从数据中进行学习这一问题很感兴趣。他们试图用各种符号方法甚至是当时被称为'''”神经网络 Neural Networks”'''的方法来处理这个问题;但这些方法大部分是感知器或其他模型。后来这些模型随着统计学中广义线性模型的发展而重新出现在大众视野中,与此同时概率推理的方法也被广泛使用,特别是在自动医疗诊断问题上。<ref>Russell, Stuart; Norvig, Peter (2003) [1995]. Artificial Intelligence: A Modern Approach (2nd ed.). Prentice Hall. ISBN 978-0137903955.</ref>
+
作为一项科研成果,机器学习源于对人工智能的探索。在人工智能这一学科研究的早期,一些研究人员对于让机器从数据中进行学习这一问题很感兴趣。他们试图用各种符号方法甚至是当时被称为'''”神经网络 Neural Networks”'''的方法来处理这个问题;但这些方法大部分是感知器或其他模型。后来这些模型随着统计学中广义线性模型的发展而重新出现在大众视野中,与此同时概率推理的方法也被广泛使用,特别是在自动医疗诊断问题上。<ref>Russell, Stuart; Norvig, Peter (2003) [1995]. Artificial Intelligence: A Modern Approach (2nd ed.). Prentice Hall. ISBN 978-0137903955.</ref>
      第141行: 第141行:       −
在'''弱监督学习 Weak Supervision'''中,训练标签是有噪声的、有限的或不精确的; 然而,这些标签使用起来往往更加“实惠”——这种数据更容易得到、更容易拥有更大的有效训练集。<ref>{{Cite web|url=https://hazyresearch.github.io/snorkel/blog/ws_blog_post.html|title=Weak Supervision: The New Programming Paradigm for Machine Learning|author1=Alex Ratner |author2=Stephen Bach |author3=Paroma Varma |author4=Chris |others= referencing work by many other members of Hazy Research|website=hazyresearch.github.io|access-date=2019-06-06}}</ref>
+
在'''弱监督学习 Weak Supervision'''中,训练标签是有噪声的、有限的或不精确的;然而,这些标签使用起来往往更加“实惠”——这种数据更容易得到、更容易拥有更大的有效训练集。<ref>{{Cite web|url=https://hazyresearch.github.io/snorkel/blog/ws_blog_post.html|title=Weak Supervision: The New Programming Paradigm for Machine Learning|author1=Alex Ratner |author2=Stephen Bach |author3=Paroma Varma |author4=Chris |others= referencing work by many other members of Hazy Research|website=hazyresearch.github.io|access-date=2019-06-06}}</ref>
      第158行: 第158行:       −
在情境中执行动作 a;
+
在情境中执行动作 a;
      −
接受结果状态 s’ ;
+
接受结果状态 s’;
      −
计算处于结果情境 v (s’)中的情绪;
+
计算处于结果情境 v (s’)中的情绪;
      第276行: 第276行:     
==== 决策树 ====
 
==== 决策树 ====
'''决策树  Decision trees'''学习使用[[决策树]]作为预测模型,它将问题相关的观察结果映射为问题目标值的结论,是统计学、数据挖掘和机器学习中常用的预测建模方法之一。目标变量接受到的一组离散值的树模型称为分类树; 在这些树结构中,叶子代表类标签,分支代表连接到这些类标签的特征。其中目标变量可以取连续值(通常是实数)的决策树称为回归树。在决策分析中,可以使用决策树直观地表示决策和决策。在数据挖掘中,决策树是用来描述数据的,但得到的分类树可以作为决策的输入。
+
'''决策树  Decision trees'''学习使用[[决策树]]作为预测模型,它将问题相关的观察结果映射为问题目标值的结论,是统计学、数据挖掘和机器学习中常用的预测建模方法之一。目标变量接受到的一组离散值的树模型称为分类树;在这些树结构中,叶子代表类标签,分支代表连接到这些类标签的特征。其中目标变量可以取连续值(通常是实数)的决策树称为回归树。在决策分析中,可以使用决策树直观地表示决策和决策。在数据挖掘中,决策树是用来描述数据的,但得到的分类树可以作为决策的输入。
    
<br>
 
<br>
第292行: 第292行:     
==== 贝叶斯网络 ====
 
==== 贝叶斯网络 ====
[[Image:SimpleBayesNetNodes.svg.png|thumb|right|A simple Bayesian network. Rain influences whether the sprinkler is activated, and both rain and the sprinkler influence whether the grass is wet. 一个简单的贝叶斯网路。雨水会影响喷头是否被激活,而雨水和喷头都会影响草地是否湿润。]]
+
[[Image:SimpleBayesNetNodes.svg.png|thumb|right|一个简单的贝叶斯网路。雨水会影响喷头是否被激活,而雨水和喷头都会影响草地是否湿润。]]
    
'''贝叶斯网路 Bayesian Network''',或称信任网络或者有向无环图形模型是通过[[有向无环图]]表示一组随机变量及其条件独立性的概率图形模型。例如,贝叶斯网络可以表示疾病和症状之间的概率关系。给定症状,网络可以用来计算各种疾病出现的概率。有效的算法可以进行推理和学习。
 
'''贝叶斯网路 Bayesian Network''',或称信任网络或者有向无环图形模型是通过[[有向无环图]]表示一组随机变量及其条件独立性的概率图形模型。例如,贝叶斯网络可以表示疾病和症状之间的概率关系。给定症状,网络可以用来计算各种疾病出现的概率。有效的算法可以进行推理和学习。
7,129

个编辑