机器学习第二天（监督学习，无监督学习，强化学习，混合学习）
给定一组包含猫和狗图像的数据集，并且每张图像都有相应的标签（是猫还是狗），监督式学习算法可以学习如何从图像中提取特征，并预测新图像中是否有猫或狗。例如，使用聚类算法对一组顾客的购买历史进行分组，以发现具有相似购买模式的顾客群体，而无需事先知道每个顾客的标签或类别。模型试图在数据中找到某种形式的组织或聚类，而无需事先知道该数据的标签。一旦模型经过训练，它可以用于预测未见过的输入数据的输出标签。来调整
1.是什么
基于数据寻找规律从而建立关系，进行升级，如果是以前的固定算式那就是符号学习了
2.基本框架
3.监督学习和无监督式学习：
-
监督学习：根据正确结果进行数据的训练；
在监督式学习中，训练数据包括输入和对应的输出标签。模型的目标是学习如何映射输入到输出。
在训练期间，模型通过与标签进行比较来调整自身的参数，以最小化预测与真实标签之间的误差。
一旦模型经过训练，它可以用于预测未见过的输入数据的输出标签。
例如，给定一组包含猫和狗图像的数据集，并且每张图像都有相应的标签（是猫还是狗），监督式学习算法可以学习如何从图像中提取特征，并预测新图像中是否有猫或狗。（比如性格预测等等） -
无监督式学习：
在无监督式学习中，训练数据没有与之相关联的输出标签。模型的目标是从数据中发现隐藏的结构或模式。
模型试图在数据中找到某种形式的组织或聚类，而无需事先知道该数据的标签。
由于缺乏标签，无监督式学习通常用于探索性数据分析或数据预处理阶段。
例如，使用聚类算法对一组顾客的购买历史进行分组，以发现具有相似购买模式的顾客群体，而无需事先知道每个顾客的标签或类别。 -
强化学习：
根据执行效果给定一种奖励惩罚的模式：比如RAG，AlphaGO -
**新思路：**混合学习
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
8
0- 0
已为社区贡献3条内容
所有评论(0)