本系类笔记主要是学习莫烦的机器学习视频而写的,以防遗忘.
一.机器学习类型
① 监督学习(有数据,有标签)
例如:给计算机看猫和狗的照片从而让计算机分辨出猫狗.以及神经网络
② 非监督学习(有数据,无标签)
例如:不告诉计算机谁是猫谁是狗,让计算机通过自己的大量特征提取去发现猫狗的区别,从而识别出猫狗.
③ 半监督学习(以上结合)
主要考虑用少量有标签的样本和大量没有标签的样本进行训练和分类.
二. 机器学习方法
① 强化学习
把计算机丢到一个完全陌生的环境或者让他完成从未接触过的任务,他自己会自助的去熟悉环境,并且找出解决问题的方法.
例如:让计算机去投球,并告诉计算机投中一个球得一分,让计算机尝试各种方法投球, 刚开始他的命中率可能会很低,但是他会想人类一样的去总结学习 投球失败或成功分经验,最后有很高的命中率.Google开发的阿尔法狗也就是这种学习方法.
② 遗传算法
模拟我们已知的适者生存等淘汰机制去选择最优的设计或模型.比如让计算机开始玩超级玛利亚,每次淘汰较为弱的玛利亚,然后基于强者"繁衍和变异" ,生出更强的玛利亚,这就是遗传算法的基本思想.
三. 人工神经网络和生物神经网络
① 生物神经网络:通过神经元和连接形成记忆
例如:第一次吃到糖的时候产生新的连接,从而对糖有种记忆,下次看到还想吃.会伸手去拿.
② 人工神经网络:通过计算机固定的神经元,
将大量吃糖的动作用来训练计算机,每次检查看得到糖后是否想吃来修改想吃的强度,从而进行误差反向传递,提高神经网络模型的精准度.
区别:人工神经网络靠的是正向和反向传播来更新神经元, 从而形成一个好的神经系统, 本质上, 这是一个能让计算机处理和优化的数学模型. 而生物神经网络是通过刺激, 产生新的联结, 让信号能够通过新的联结传递而形成反馈. 虽然现在的计算机技术越来越高超, 不过我们身体里的神经系统经过了数千万年的进化, 还是独一无二的, 迄今为止, 再复杂, 再庞大的人工神经网络系统也不能替代我们的小脑袋.