机器学习的一些基本概念

博主： YiYu
发布时间：2024 年 10 月 26 日
477 次浏览
暂无评论
2906字数
分类： AI

### 机器学习、深度学习、强化学习

![image.png](https://www.helloyiyu.com/usr/uploads/2024/10/3028285704.png)

#### 机器学习

一切通过优化方法挖掘数据中规律的学科。

机器学习是人工智能的重要分支，这一领域通常会利用概率论、统计学、计算机科学等知识，从训练数据中识别特征模式、学习规律，以此对未来数据进行分类、预测。

分类：

监督学习(Supervised Learning)：**通过“监督者”预先填好标签（label)的训练数据进行学习的方式**。

无监督学习(Unsupervised Learning)：**无需事先为数据贴好标签**。这种方式更像是聚类（clustering)的过程，即根据数据的特征，发现实例之间的相似性。

强化学习：需要 **通过与“环境”的交互，逐步进行学习**。强化学习和无监督学习的机制不同——无监督学习的目标是挖掘数据的潜在结构，而强化学习则是 **通过与环境交互获得最优解的过程。**

#### 深度学习

一切运用了神经网络作为参数结构进行优化的机器学习算法。

深度学习(Deep Learning)是从数据训练数据中学到一个非线性函数，**将未知数据与标签对应** ；

#### 强化学习

不仅能利用现有数据，还可以通过对环境的探索获得新数据，并利用新数据循环往复地更新迭代现有模型的机器学习算法。学习是为了更好地对环境进行探索，而探索是为了获取数据进行更好的学习。

强化学习则是学习一个状态机制，在各种情况下每次都选择回报最大的方式。

强化学习可以分为 **基于模型** (Model\_Based)和**无模型**(Model-Free)两大类。

强化学习是一种根据 **奖惩机制** 而工作的技术，基本思想是，**学习在不同环境状态和状态下哪种行为能把预期利益最大化。**

#### 他们的关系

深度学习的训练样本是有标签的，强化学习的训练是没有标签的，他通过环境给出的奖惩来学习。

深度学习的过程是静态的，强化学习的过程是动态的，需要及时与环境交互获取奖惩结果。

深度学习一般用于处理感知问题，强化学习一般用于处理决策问题。

### CNN、RNN、GAN

#### CNN

**CNN** 的假设——人类的视觉总是会关注视线内特征最明显的点。

卷积神经网络（Convolutional Neural Network，CNN或ConvNet）是一种具有**局部连接、权重共享**等特性的深层前馈神经网络。

CNN通过卷积操作实现局部连接和权重共享，这有助于捕捉图像中的局部特征。

CNN 用于提取图像的空间特征，通过不断的卷积和池化操作实现特征提取和降维。

**卷积神经网络(简称CNN)**常用于影像数据进行分析处理

CNN主要应用可分为图像分类(image classification)、目标检测(object detection)及语义分割(semantic segmentation)。

图像分类：识别图片属于哪种分类类别

目标检测：找到目标坐标及识别目标类别，最常见的算法为YOLO及R-CNN

语义分割：在图像处理领域一般是用于边界识别

一个卷积神经网络一般有以下结构组成：

* **输入层**（Input layer）
* **卷积层**（CONV layer，包含**激活函数**，比如 ReLU、sigmoid、tanh 等）
* **池化层**（Pooling layer）
* **全连接层**（FC layer）
* **输出层**（Ouput layer）

#### RNN

**RNN** 的假设——事物的发展是按照时间序列展开的（前一刻发生的事物会对未来的事情的发展产生影响）。

循环神经网络（RNN，Recurrent Neural Network）是一类用于**处理序列数据**的神经网络。

RNN通过循环结构实现权重共享，允许网络在处理序列数据时考虑先前的信息。

有别于CNN，RNN的特色在于可处理图像或数值数据，并且由于网络本身具有记忆能力，可学习具有前后相关的数据类型。

RNN具有存储功能，但他不是刚性地记忆所有固定长度的序列，而是通过隐藏状态来存储之前时间步的信息。

**递归神经网络(简称RNN)**常用于文本分析或自然语言处理的

一个典型的 RNN 网络架构包含一个输入，一个输出和一个神经网络单元 。和普通的前馈神经网络的区别在于：RNN 的神经网络单元不但与输入和输出存在联系，而且自身也存在一个循环 / 回路 / 环路 / 回环 (loop)。这种回路允许信息从网络中的一步传递到下一步。

通常用于**自然语言处理**和**语音识别**中，可以用来处理**时间序列**数据。RNN 的主要思想是把前面的**信息传递**到后面，这样网络就可以利用之前的信息做出预测，能够处理序列中每个时间步的数据。

RNN虽然解决了CNN无法处理的问题，但其本身仍然有些缺点，所以现在很多RNN的变形网络，其中最常被使用的网络之一为**长短记忆网络(Long Short-Term Network，简称LSTM)**。

#### GAN

除了深度学习外，还有一种机器学习技术是强化学习(Reinforcement Learning)，其中一种很具有特色的网络为生成式对抗网络(GAN)。

**生成对抗网络(简称GAN)**常用于数据生成或非监督式学习应用的

### 参考资料

[一图看懂机器学习、深度学习、强化学习与人工智能的关系\_人工智能 机器学习 深度学习,强化学习的关系-CSDN博客](https://blog.csdn.net/dzcera/article/details/122769329)

[深度学习、强化学习、监督学习……机器学习概念大辨析！ - 知乎 (zhihu.com)](https://zhuanlan.zhihu.com/p/647124858)

[神经网络 | CNN 与 RNN——深度学习主力军\_cnn rnn-CSDN博客](https://blog.csdn.net/ttrr27/article/details/136018712)

[科普 | 深度学习算法三大类：CNN，RNN和GAN - 知乎 (zhihu.com)](https://zhuanlan.zhihu.com/p/163065584)

[深度学习、强化学习、监督学习……机器学习概念大辨析！ - 知乎 (zhihu.com)](https://zhuanlan.zhihu.com/p/647124858)

最后修改：2024 年 10 月 26 日

如果觉得我的文章对你有用，请随意赞赏

发表评论
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

评论 *

私密评论

名称 *

🎲

邮箱

地址

机器学习的一些基本概念

YiYu • 2024 年 10 月 26 日

### 机器学习、深度学习、强化学习

![image.png](https://www.helloyiyu.com/usr/uploads/2024/10/3028285704.png)

#### 机器学习

一切通过优化方法挖掘数据中规律的学科。

分类：

监督学习(Supervised Learning)：**通过“监督者”预先填好标签（label)的训练数据进行学习的方式**。

无监督学习(Unsupervised Learning)：**无需事先为数据贴好标签**。这种方式更像是聚类（clustering)的过程，即根据数据的特征，发现实例之间的相似性。

#### 深度学习

一切运用了神经网络作为参数结构进行优化的机器学习算法。

深度学习(Deep Learning)是从数据训练数据中学到一个非线性函数，**将未知数据与标签对应** ；

#### 强化学习

强化学习则是学习一个状态机制，在各种情况下每次都选择回报最大的方式。

强化学习可以分为 **基于模型** (Model\_Based)和**无模型**(Model-Free)两大类。

强化学习是一种根据 **奖惩机制** 而工作的技术，基本思想是，**学习在不同环境状态和状态下哪种行为能把预期利益最大化。**

#### 他们的关系

深度学习的训练样本是有标签的，强化学习的训练是没有标签的，他通过环境给出的奖惩来学习。

深度学习的过程是静态的，强化学习的过程是动态的，需要及时与环境交互获取奖惩结果。

深度学习一般用于处理感知问题，强化学习一般用于处理决策问题。

### CNN、RNN、GAN

#### CNN

**CNN** 的假设——人类的视觉总是会关注视线内特征最明显的点。

卷积神经网络（Convolutional Neural Network，CNN或ConvNet）是一种具有**局部连接、权重共享**等特性的深层前馈神经网络。

CNN通过卷积操作实现局部连接和权重共享，这有助于捕捉图像中的局部特征。

CNN 用于提取图像的空间特征，通过不断的卷积和池化操作实现特征提取和降维。

**卷积神经网络(简称CNN)**常用于影像数据进行分析处理

CNN主要应用可分为图像分类(image classification)、目标检测(object detection)及语义分割(semantic segmentation)。

图像分类：识别图片属于哪种分类类别

目标检测：找到目标坐标及识别目标类别，最常见的算法为YOLO及R-CNN

语义分割：在图像处理领域一般是用于边界识别

一个卷积神经网络一般有以下结构组成：

#### RNN

**RNN** 的假设——事物的发展是按照时间序列展开的（前一刻发生的事物会对未来的事情的发展产生影响）。

循环神经网络（RNN，Recurrent Neural Network）是一类用于**处理序列数据**的神经网络。

RNN通过循环结构实现权重共享，允许网络在处理序列数据时考虑先前的信息。

有别于CNN，RNN的特色在于可处理图像或数值数据，并且由于网络本身具有记忆能力，可学习具有前后相关的数据类型。

RNN具有存储功能，但他不是刚性地记忆所有固定长度的序列，而是通过隐藏状态来存储之前时间步的信息。

**递归神经网络(简称RNN)**常用于文本分析或自然语言处理的

#### GAN

除了深度学习外，还有一种机器学习技术是强化学习(Reinforcement Learning)，其中一种很具有特色的网络为生成式对抗网络(GAN)。

**生成对抗网络(简称GAN)**常用于数据生成或非监督式学习应用的

### 参考资料

[深度学习、强化学习、监督学习……机器学习概念大辨析！ - 知乎 (zhihu.com)](https://zhuanlan.zhihu.com/p/647124858)

[神经网络 | CNN 与 RNN——深度学习主力军\_cnn rnn-CSDN博客](https://blog.csdn.net/ttrr27/article/details/136018712)

[科普 | 深度学习算法三大类：CNN，RNN和GAN - 知乎 (zhihu.com)](https://zhuanlan.zhihu.com/p/163065584)

[深度学习、强化学习、监督学习……机器学习概念大辨析！ - 知乎 (zhihu.com)](https://zhuanlan.zhihu.com/p/647124858)

机器学习的一些基本概念

发表评论
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

Setup ubuntu server 20.04 for machine learning

Try run PyTorch Quickstart demo

使用Ollama和OpenWebUI本地运行llama3大语言模型

STM32ADC+DMA周期采样数据滤波

HDLBits Note

【转】How I Won Singapore’s GPT-4 Prompt Engineering Competition

Setup Docker Env On Truenas Scale

通过Demo来学习PyTorch基本概念

Try run PyTorch Quickstart demo

STM32ADC+DMA周期采样数据滤波

机器学习的一些基本概念

发表评论 使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

机器学习的一些基本概念

发表评论
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款