MGPHPZJ

Hello, friends! Welcome!

有各种ML算法,技术和方法可用于构建模型,以通过使用数据解决实际问题。 在本章中,我们将讨论这些不同类型的方法。

不同类型的方法,以下是基于某些广泛类别的各种ML方法

  • 基于人的监督
  • 无监督学习
  • 半监督学习
  • 强化学习

适合机器学习的任务

下图显示了适用于各种ML问题的任务类型

基于学习能力
在学习过程中,以下是一些基于学习能力的方法 –

批量学习

在许多情况下,我们有端到端机器学习系统,我们需要使用整个可用的训练数据一次训练模型。 这种学习方法或算法称为批处理或离线学习。 它被称为批处理或离线学习,因为它是一次性程序,模型将在一个批处理中使用数据进行训练。 以下是批量学习方法的主要步骤:

步骤1 ,我们需要收集所有训练数据以开始训练模型。

步骤2,通过一次性提供整个训练数据开始模型训练。

步骤3,一旦获得满意的结果/表现,就停止学习/培训过程。

步骤4,将这个训练有素的模型部署到生产中。 在这里,它将预测新数据样本的输出。

在线学习
它与批处理或离线学习方法完全相反。 在这些学习方法中,训练数据以多个增量批次(称为小批量)提供给算法。 以下是在线学习方法的主要步骤:

  • 步骤1,我们需要收集所有培训数据,以便开始培训模型。
  • 步骤2,通过向算法提供小批量的训练数据来开始模型训练。
  • 步骤3,我们需要以多个增量为算法提供小批量的训练数据。
  • 步骤4,因为它不会像批量学习那样停止,因此在以小批量提供整个训练数据后,也提供新的数据样本。
  • 步骤5,最后,它将根据新的数据样本继续学习一段时间。

基于泛化方法
在学习过程中,以下是一些基于泛化方法的方法。

基于实例的学习
基于实例的学习方法是通过基于输入数据进行泛化来构建ML模型的有用方法之一。与以前研究的学习方法相反,这种学习涉及ML系统的方式以及使用原始数据点本身来绘制较新数据样本的结果而不在训练数据上建立显式模型的方法。

简单来说,基于实例的学习基本上通过查看输入数据点开始工作,然后使用相似性度量,它将推广和预测新数据点。

基于模型的学习
在基于模型的学习方法中,迭代过程发生在基于各种模型参数构建的ML模型上,称为超参数,并且其中输入数据用于提取特征。在此学习中,基于各种模型验证技术优化超参数。这就是为什么我们可以说基于模型的学习方法使用更传统的ML方法来推广。

Leave a Reply

Your email address will not be published. Required fields are marked *