第一次听到机器学习时，大脑的直觉反应是“人类像机器一样学习，会不会相当于在大脑里装一个小型计算器。一般问题可通过相对的算法，公式，按照一定的逻辑，点击下按钮就出来答案，迅速准确，就是利用计算器解放脑回路---” 查看定义后才知道是让机器自己学习，喂给他大量的数据，从数据中学习并总结出一套规律自建模型。某些意义上说是让机器学习像人类学习：
*监督学习：通过已有的一部分输入与输出数据之间的对应关系，生成一个函数，将输入映射到合适的输出，例如分类。
小时候从爬行，嘤嘤学语开始都是在大人的监督下进行，给你铺一条道路，并指引着你该去的方向。那时候“贴标签”的学习是有很高效率的，有个骨架支撑，学习着辨别能力。
*半监督学习：综合利用有类标的数据和没有类标的数据，来生成合适的分类。
当我们渐渐长大，各方面的信息咨询越来越多，已不可能全盘接受而需要有辨别和选择的输入，就像信息过载的当下。仅一个小小的领域，相信人已经不能穷尽所有的知识点了，因为开放的知识点自己会生长，既往根部探又向枝叶伸展。这时就需要一个导师进行干预并指导，积极的肯定，把跑偏的调皮给揪回来，把冗余的部分给砍掉。 总是在一个大的指导下和标准下，通过自主积极探索，学习向前。
*非监督学习：直接对输入数据集进行建模，例如聚类
到了这个步骤的都算是Advanced级别的了,对于接受的信号可以学习，辨别，过滤，并总结出一套系统理论，建立一个模型，并且随着输入的东西越多，样本也越发丰满，可以有更好的输出效果。
网友评论