解决现实世界问题的四大机器学习策略

作者: 大数据地盘 2018-11-07 13:00:30

机器学习有四种广受认可的形式:监督式、无监督式、半监督式和强化式。在研究文献中,这些形式得到了深入的探讨。它们也被纳入了大多数机器学习算法的入门课程。下表对这四种形式作了总结。

\

但一个并不广为人知的概念是机器学习策略,即以创造性的方式,运用基本的机器学习算法,解决现实世界问题。我对这些策略产生了浓厚的兴趣。在这篇文章中,我将探讨四种策略:在线学习、迁移学习、集成学习和深度学习。好在,这四项策略适用于表格中任意一种机器学习形式。

一、在线学习

在线学习使用瞬息万变的数据。这类模型跟着数据及时更新,并不存储先前的数据。有的在线学习算法还会“适应”,即随时调整模型,跟随或追踪数据的变化。具体而言,它们会逐渐“遗忘”过时数据,从而适用于环境/模型随时变动的应用程序。批量(或离线)学习使用静态的数据,可以充当在线学习的热身。在批量学习中,模型一次性完成所有数据的学习。很多在线学习算法使用一个批量/离线算法(以一小批数据为基础),为模型作启动前的热身。这种做法可以显着加快算法的收敛(convergence)速度。

二、迁移学习

迁移学习将一个领域的知识应用到另一个领域。它将旧的数据、模型和参数用于新问题的解决,对于机器学习模型的终身学习而言至关重要。迁移学习是人与生俱来的能力。举个例子,我们会将已经掌握的语言知识(词汇、语法等),应用到新语言的学习中。两种语言越是接近,知识迁移就越简单。

三、集成学习

单学习器模型只用一个学习器(算法),而集成学习使用多个学习器。一般的集成算法包含梯度提升、引导聚集、决策森林、堆栈集成和超级学习器。集成学习可以结合相对较弱(很多情况下,预测精度只略高于随机猜测)的学习器,产生强大、准确的模型。

四、深度学习

深度学习包含多个层,可以学习数据的层级化或多尺度特征。与之相对的是“浅层学习”,即简单地运用普通的机器学习建模算法。通常,浅层学习离不开特征工程(feature engineering),以保障输入以适当的形式呈现给模型,而深度学习在训练时,就自然而然地学会了这些特征。

在用机器学习算法解决日常业务难题时,机器学习策略是我们要考虑的又一个方面。

机器学习 深度学习 集成学习
上一篇:自然语言处理(nlp)比计算机视觉(cv)发展缓慢,而且更难! 下一篇:阿里蚂蚁的机器学习算法-一 、二、三面面经,干货速收!
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

有了这支矢量神经风格画笔,无需GAN也可生成精美绘画

一种新的神经风格画笔能够生成矢量形式的绘画作品,在统一框架下支持油画、马克笔、水彩画等多种笔触,并可进一步风格化。

机器之心 ·  1天前
机器人过程自动化的10个秘密

RPA(机器人过程自动化)承诺简化工作流程,将遗留系统粘合在一起,并授权业务用户解决自己的问题。但是,在大赢家的潜伏之下,潜伏着值得解决的问题。

佚名 ·  1天前
人工智能也会中毒,那人脸支付还安全吗?

机器学习系统在训练阶段,建立起一套复杂的数学计算,将输入数据与结果联系起来,它们非常擅长特定的任务,在某些情况下,甚至可以超越人类。

佚名 ·  1天前
北大、字节跳动等利用增量学习提出超像素分割模型LNSNet

图像分割是计算机视觉的基本任务之一,在自动驾驶、安防安保、智能诊疗等任务中都有着重要应用。

朱磊、佘琪 ·  1天前
MIT博士毕业,「太极」作者胡渊鸣回国创业,专注图形编程

今年 3 月完成博士学业后,胡渊鸣选择回国创业,成立了太极图形 (Taichi Graphics)公司,自己担任联合创始人兼 CEO。

杜伟 ·  1天前
人工智能在越来越多地渗透到各行各业

当前,人工智能技术已成为全球科技创新的一大热门技术。其价值就在于与各行各业的融合、赋能,推动产业优化升级。

Yu ·  2天前
我们可以将最佳实践抽象为实际的设计模式吗?机器学习

人工智能专家老吕 ·  2天前
开闸蓄水,企业机器学习井喷

机器学习(ML)正在推动人工智能(AI)应用爆炸式增长,帮助软件理解不确定和不可预测的现实世界。那么在企业服务领域,当前的机器学习繁荣靠的是什么?未来又将在哪些方面发挥更多的作用?

赵满满 ·  2天前
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载