一直以來(lái)，機(jī)器學(xué)習(xí)都是大家的關(guān)注焦點(diǎn)之一。因此針對(duì)大家的興趣點(diǎn)所在，小編將為大家?guī)?lái)機(jī)器學(xué)習(xí)的相關(guān)介紹，詳細(xì)內(nèi)容請(qǐng)看下文。

一、機(jī)器學(xué)習(xí)如何基于學(xué)習(xí)策略分類

機(jī)器學(xué)習(xí)(Machine Learning，ML)是人工智能的子領(lǐng)域，也是人工智能的核心。它囊括了幾乎所有對(duì)世界影響最大的方法(包括深度學(xué)習(xí))。機(jī)器學(xué)習(xí)理論主要是設(shè)計(jì)和分析一些讓計(jì)算機(jī)可以自動(dòng)學(xué)習(xí)的算法。

那么，機(jī)器學(xué)習(xí)如何基于學(xué)習(xí)策略進(jìn)行分類?

(1)模擬人腦的機(jī)器學(xué)習(xí)

符號(hào)學(xué)習(xí)：模擬人腦的宏現(xiàn)心理級(jí)學(xué)習(xí)過(guò)程，以認(rèn)知心理學(xué)原理為基礎(chǔ)，以符號(hào)數(shù)據(jù)為輸入，以符號(hào)運(yùn)算為方法，用推理過(guò)程在圖或狀態(tài)空間中搜索，學(xué)習(xí)的目標(biāo)為概念或規(guī)則等。符號(hào)學(xué)習(xí)的典型方法有記憶學(xué)習(xí)、示例學(xué)習(xí)、演繹學(xué)習(xí).類比學(xué)習(xí)、解釋學(xué)習(xí)等。

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)(或連接學(xué)習(xí))：模擬人腦的微觀生理級(jí)學(xué)習(xí)過(guò)程，以腦和神經(jīng)科學(xué)原理為基礎(chǔ)，以人工神經(jīng)網(wǎng)絡(luò)為函數(shù)結(jié)構(gòu)模型，以數(shù)值數(shù)據(jù)為輸入，以數(shù)值運(yùn)算為方法，用迭代過(guò)程在系數(shù)向量空間中搜索，學(xué)習(xí)的目標(biāo)為函數(shù)。典型的連接學(xué)習(xí)有權(quán)值修正學(xué)習(xí)、拓?fù)浣Y(jié)構(gòu)學(xué)習(xí)。

(2)直接采用數(shù)學(xué)方法的機(jī)器學(xué)習(xí)

另一個(gè)方面，就是可直接采用數(shù)學(xué)方法的機(jī)器學(xué)習(xí)，主要有統(tǒng)計(jì)機(jī)器學(xué)習(xí)。

統(tǒng)計(jì)機(jī)器學(xué)習(xí)是基于對(duì)數(shù)據(jù)的初步認(rèn)識(shí)以及學(xué)習(xí)目的的分析，選擇合適的數(shù)學(xué)模型，擬定超參數(shù)，并輸入樣本數(shù)據(jù)，依據(jù)一定的策略，運(yùn)用合適的學(xué)習(xí)算法對(duì)模型進(jìn)行訓(xùn)練，最后運(yùn)用訓(xùn)練好的模型對(duì)數(shù)據(jù)進(jìn)行分析預(yù)測(cè)。

統(tǒng)計(jì)機(jī)器學(xué)習(xí)三個(gè)要素：

模型(model)：模型在未進(jìn)行訓(xùn)練前，其可能的參數(shù)是多個(gè)甚至無(wú)窮的，故可能的模型也是多個(gè)甚至無(wú)窮的，這些模型構(gòu)成的集合就是假設(shè)空間。

策略(strategy)：即從假設(shè)空間中挑選出參數(shù)最優(yōu)的模型的準(zhǔn)則。模型的分類或預(yù)測(cè)結(jié)果與實(shí)際情況的誤差(損失函數(shù))越小，模型就越好。那么策略就是誤差最小。

算法(algorithm)：即從假設(shè)空間中挑選模型的方法(等同于求解最佳的模型參數(shù))。機(jī)器學(xué)習(xí)的參數(shù)求解通常都會(huì)轉(zhuǎn)化為最優(yōu)化問(wèn)題，故學(xué)習(xí)算法通常是最優(yōu)化算法，例如最速梯度下降法、牛頓法以及擬牛頓法等。

二、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的比較

通過(guò)上面的介紹，想必大家已經(jīng)了解了如何基于學(xué)習(xí)策略對(duì)機(jī)器學(xué)習(xí)進(jìn)行分類。在這部分，我們主要來(lái)將機(jī)器學(xué)習(xí)和深度學(xué)習(xí)來(lái)進(jìn)行一個(gè)比較。

1、應(yīng)用場(chǎng)景

機(jī)器學(xué)習(xí)在指紋識(shí)別、特征物體檢測(cè)等領(lǐng)域的應(yīng)用基本達(dá)到了商業(yè)化的要求。

深度學(xué)習(xí)主要應(yīng)用于文字識(shí)別、人臉技術(shù)、語(yǔ)義分析、智能監(jiān)控等領(lǐng)域。目前在智能硬件、教育、醫(yī)療等行業(yè)也在快速布局。

2、所需數(shù)據(jù)量

機(jī)器學(xué)習(xí)能夠適應(yīng)各種數(shù)據(jù)量，特別是數(shù)據(jù)量較小的場(chǎng)景。如果數(shù)據(jù)量迅速增加，那么深度學(xué)習(xí)的效果將更加突出，這是因?yàn)樯疃葘W(xué)習(xí)算法需要大量數(shù)據(jù)才能完美理解。

3、執(zhí)行時(shí)間

執(zhí)行時(shí)間是指訓(xùn)練算法所需要的時(shí)間量。一般來(lái)說(shuō)，深度學(xué)習(xí)算法需要大量時(shí)間進(jìn)行訓(xùn)練。這是因?yàn)樵撍惴ò泻芏鄥?shù)，因此訓(xùn)練它們需要比平時(shí)更長(zhǎng)的時(shí)間。相對(duì)而言，機(jī)器學(xué)習(xí)算法的執(zhí)行時(shí)間更少。

4、解決問(wèn)題的方法

機(jī)器學(xué)習(xí)算法遵循標(biāo)準(zhǔn)程序以解決問(wèn)題。它將問(wèn)題拆分成數(shù)個(gè)部分，對(duì)其進(jìn)行分別解決，而后再將結(jié)果結(jié)合起來(lái)以獲得所需的答案。深度學(xué)習(xí)則以集中方式解決問(wèn)題，而不必進(jìn)行問(wèn)題拆分。

以上就是小編這次想要和大家分享的有關(guān)機(jī)器學(xué)習(xí)的所有內(nèi)容，希望大家對(duì)本次分享的內(nèi)容已經(jīng)具有一定的了解。如果您想要看不同類別的文章，可以在網(wǎng)頁(yè)頂部選擇相應(yīng)的頻道哦。