인공 지능의 미스터리: 기계 학습 학교

       이 글은 블로거가 인공지능 및 기타 분야를 공부할 때 개인 공부, 연구 또는 감상을 위해 기록한 학습 발췌 및 메모이며, 인공지능 및 기타 분야에 대한 블로거의 이해를 바탕으로 지적한 후 바로 수정하겠습니다. 양해 바랍니다.

기사는 연구 발췌 및 메모 열로 분류됩니다 .

        연구 발췌문 및 메모 (2) --- " 인공 지능의 미스터리: 기계 학습 학교"

인공 지능의 미스터리: 기계 학습 학교

원문/논문 출처:

주제: " 인공 지능의 신비: Huashan은 기계 학습 학교에서 칼에 대해 논의합니다. 누가 검술에서 살아남을 수 있습니까? "

저자: 주 리밍 

시간: 2022-09-28 07:29

출처: 베이징에서 발행. 

        Turing Award 수상자이자 Meta 인공 지능 책임자인 Yann LeCun(Yann LeCun)은 2016년 유명한 케이크 은유를 제안했습니다. , 점선 체리는 강화 학습입니다.”

기계 학습 :

        특정 알고리즘 모델을 통해 데이터로부터 특정 작업의 성능을 지속적으로 향상시키는 인공 지능을 구현하는 방법,

        한 단계 더 나아가 딥 러닝은 신경망 모델을 사용하여 방대한 양의 데이터에서 학습하는 기계 학습 방법입니다.

감독 학습

        전문가가 레이블을 지정한 데이터 세트를 사용하여 모델을 교육하는 가장 일반적으로 사용되는 기계 학습 방법입니다.

        비슷한 것: 그림으로 읽고 쓰기

비지도 학습

        데이터의 라벨링이 필요하지 않습니다. 비지도 학습은 데이터 자체에 포함된 법칙을 학습하거나 내부 표현을 학습하여 새로운 데이터를 생성할 수 있습니다. 일반적으로 지도 학습보다 덜 정확함

자기 지도 학습

        레이블이 지정되지 않은 방대한 데이터를 사용하여 데이터 자체에 포함된 법칙을 통해 데이터에 자동으로 레이블을 지정하여 비지도 학습을 지도 학습으로 변환합니다.

준지도 학습

        지도 학습과 비지도 학습 기계 학습 방법을 결합하여 사용합니다. 적은 양의 레이블이 있는 데이터와 많은 양의 레이블이 지정되지 않은 데이터를 모델 교육에 사용할 수 있으므로 약한 감독 학습이라고도 합니다.

        위의 기계 학습 방법의 차이점은 주로 훈련 데이터 세트의 레이블 수 에 있습니다 .

        지도 학습은 전체 라벨링, 반지도 학습은 소량의 라벨링, 비지도 학습은 라벨링이 전혀 필요하지 않으며 자기 지도 학습은 라벨이 지정되지 않은 데이터에서 잠재적인 라벨을 찾는 것입니다.

딥 러닝

강화 학습

        정적 데이터 세트에서 학습하는 대신 에이전트가 환경에서 최적의 연속 결정을 내리는 방법을 연구합니다(최대 보상 획득).

강화 학습은 동물과 인간이 환경과의 상호 작용을 보상하고 처벌함으로써 행동 패턴을 최적화하는 방법과 유사합니다.

심층 강화 학습

        강화 학습과 딥 러닝의 결합은 최근 몇 년 동안 큰 발전을 이루었습니다.

     기사가 부적절하고 잘못된 경우 이해하고 지적하십시오. 일부 글과 사진은 인터넷에서 가져왔기 때문에 실제 출처를 확인할 수 없으며, 이의가 있는 경우 블로거에게 연락하여 삭제하시기 바랍니다. 오류, 질문 또는 위반 사항이 있는 경우 작성자에게 연락할 수 있는 의견을 남기거나 VX 공개 계정: Rain21321을 팔로우하고 작성자에게 문의하십시오.