機(jī)器學(xué)習(xí)學(xué)術(shù)報(bào)告-wenkub
2023-02-06 18:05:56 本頁(yè)面
【正文】 題。 1 半監(jiān)督學(xué)習(xí) 輸入數(shù)據(jù) 部分被標(biāo)識(shí)，部分沒(méi)有被標(biāo)識(shí)，這種學(xué)習(xí)模型可以用來(lái)進(jìn)行預(yù)測(cè)， 但是模型 首先需要學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)以便合理的組織數(shù)據(jù)來(lái)進(jìn)行預(yù)測(cè) 。當(dāng)學(xué)習(xí)完畢并經(jīng)測(cè)試后，也可以將之應(yīng)用到新的案例上。 監(jiān)督 式學(xué)習(xí)的常見(jiàn)應(yīng)用場(chǎng)景如分類問(wèn)題和回歸問(wèn)題。 半監(jiān)督學(xué)習(xí) Unsupervised learning ” 《 Machine Learning》 “ 許多領(lǐng)域都產(chǎn)生了大量的數(shù)據(jù) ,統(tǒng)計(jì)學(xué)家的工作就是讓所有 這 些數(shù)據(jù) 變得意義 :提取重要的模式和趨勢(shì) ,理解“數(shù)據(jù)在說(shuō)什么” 。 自動(dòng)駕駛汽車 亞瑟 . 薩繆爾聲名鵲起是因?yàn)樗_(kāi)發(fā)的國(guó)際象棋程序。他 編寫(xiě) 程序 讓電腦自己和自己下了 成千上萬(wàn) 局國(guó)際象棋。 通過(guò)電腦閱讀手寫(xiě)的字母或者數(shù)字 我們稱之為 從數(shù)據(jù)中學(xué)習(xí)。 無(wú) 監(jiān)督學(xué)習(xí) Semisupervised learning 常見(jiàn)算法有邏輯 回歸 （ Logistic Regression） 和反向傳遞神經(jīng)網(wǎng)絡(luò) （ Back Propagation Neural Network） 1 無(wú)監(jiān)督學(xué)習(xí) 無(wú) 監(jiān)督式 學(xué)習(xí)的目的 是去對(duì)原始資料進(jìn)行分類，以便了解資料內(nèi)部 結(jié)構(gòu)（概率密度等）。 典型 的例子就是 聚類。 應(yīng)用 場(chǎng)景 包括 分類和回歸，算法包括一些對(duì)常用監(jiān)督式學(xué)習(xí)算法的延伸，這些算法首先 試圖對(duì) 未標(biāo)識(shí)數(shù)據(jù)進(jìn)行建模，在此基礎(chǔ)上再對(duì)標(biāo)識(shí)的數(shù)據(jù)進(jìn)行預(yù)測(cè)。從科學(xué)和哲學(xué)的角度來(lái)看，機(jī)器學(xué)習(xí)受到關(guān)注是 因?yàn)樘岣呶覀儗?duì)機(jī)器學(xué)習(xí)的認(rèn)識(shí)需要提高我們對(duì)智能背后原理 學(xué)習(xí)算法的理解。 1 任務(wù) T 從“任務(wù)”的 相對(duì)正式的定義上說(shuō)，學(xué)習(xí)過(guò)程本身不能算是任務(wù)。 通常 機(jī)器學(xué)習(xí)任務(wù)定義 為學(xué)習(xí)系統(tǒng) 應(yīng)該如何 處理樣本。 1 任務(wù) T分類 機(jī)器學(xué)習(xí) 可以解決很多類型的任務(wù)。還 有一些 其他的分類問(wèn)題， 例如， f 輸出的是不同類別的概率分布。為了解決 這個(gè)務(wù) ，學(xué)習(xí)算法需要輸出 函數(shù) f 。 1 任務(wù) T機(jī)器翻譯 機(jī)器翻譯 ：在機(jī)器翻譯任務(wù)中，輸入是一種語(yǔ)言的符號(hào)序列，計(jì)算機(jī)程序 必須將 其轉(zhuǎn)化成另一種語(yǔ)言的符號(hào)序列。 谷歌街景以這種方式使用深度 學(xué)習(xí) 處理街道編號(hào) (Goodfellow et al., 2023d)。要做好這樣的 任務(wù)，學(xué)習(xí)算法需要 學(xué)習(xí) 觀測(cè)到 的數(shù)據(jù)的結(jié)構(gòu)。例如，如果我們通過(guò)密度估計(jì)得到了概率分布 p(x)，我們 可以用該 分布解決 缺失值填補(bǔ) 任務(wù)（轉(zhuǎn)化為條件概率）。準(zhǔn)確率 是指該模型輸出正確結(jié)果的樣本比率。在一個(gè)特定的樣本上，如果結(jié)果是對(duì)的，那么 0 1損失 是 0；否則是 1。 1 性能度量 P 某些 情況下，這是因?yàn)楹茈y確定應(yīng)該度量什么。在深度學(xué)習(xí)中，我們通常要學(xué)習(xí) 生成 數(shù)據(jù)集的整個(gè)概率分布，顯式地，比如密度估計(jì)，或是隱式地，比如合成或去噪 。 監(jiān)督學(xué)習(xí)算法通過(guò) 研究 Iris 數(shù)據(jù)集，學(xué)習(xí) 如何根據(jù) 測(cè)量結(jié)果將樣本劃分為三個(gè)不同品種 。每個(gè)樣本的特征是該植物不同部分的測(cè)量結(jié)果：萼片長(zhǎng)度、萼片 寬度 、花瓣長(zhǎng)度和花瓣寬度。 但最重要的是，你寫(xiě)下了最終的成交價(jià)： 1 牛刀小試 線性回歸 這就是我們的訓(xùn)練數(shù)據(jù)。 2023 ??? 1 牛刀小試 線性回歸 為了編寫(xiě)你的軟件，你將包含每一套房產(chǎn)的訓(xùn)練數(shù)據(jù)輸入到你的機(jī)器學(xué)習(xí)算法當(dāng)中去。 梯度下降算法 原理。而我們的假設(shè)函數(shù)，也就是用來(lái)進(jìn)行預(yù)測(cè)的函數(shù)，是這樣的線性函數(shù)形式： 接下來(lái) 為型選擇合適的參數(shù) θ0 和 θ1 ，這兩個(gè)參數(shù) 稱為 模型參數(shù) 。即使 得代價(jià)函數(shù)最小。為方便講解，我設(shè) f(x)為下面的形式，也就是一個(gè)線性的函數(shù)（一般來(lái)說(shuō)，非線性的要比線性的函數(shù)的擬合能力要強(qiáng)，這里暫不討論線性與非線性的問(wèn)題）： 1 思考 梯度下降 我們 希望 f(x)能夠盡可能準(zhǔn)確地 描述訓(xùn)練集中 的 樣本， 但 畢竟是猜的，不可能百分百準(zhǔn)確，肯定或多或少會(huì)有 誤 差。 我們先隨機(jī)取一個(gè)參數(shù)值 (θ1,θ2,θ3)，然后沿著負(fù)梯度的方向調(diào)整 參數(shù) （ 注意在 費(fèi)用函數(shù) 中 ， 自變量是參數(shù) ， 而不是 X，X是已知的樣本數(shù)據(jù)），就 可以使我們的損失函數(shù)下降得最快，直到無(wú)法再降，就是最小值，那時(shí)候的參數(shù)，就是我們要的參數(shù)。 通常 情況下，當(dāng)我們訓(xùn)練機(jī)器學(xué)習(xí)模型時(shí)，我們可以使用某個(gè)訓(xùn)練集，在 訓(xùn)練集 上計(jì)算一些被 稱為訓(xùn)練誤差的 度量誤差，目標(biāo) 是降低訓(xùn)練誤差。以下是決定 機(jī)器學(xué)習(xí) 算法效果是否好的因素： 1. 降低訓(xùn)練誤差。而過(guò)擬合是指 訓(xùn)練 誤差和和測(cè)試誤差之間的差距
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1