对常用的机器学习和深度学习算法进行总结.pdf
版权申诉
62 浏览量
2022-07-09
17:41:05
上传
评论
收藏 60KB PDF 举报
对常用的机器学习和深度学习算法进行总结
很多人在学机器学习和深度学习的时候都有一个感受：所学的知识零散、不
系统，缺乏整体感，这是普遍存在的一个问题。这篇文章对常用的机器学习和深度学习算
法进行了总结，整理出它们之间的关系，以及每种算法的核心点，各种算法之间的比较。
由此形成了一张算法地图，以帮助大家更好的理解和记忆这些算法。
下面先看这张图：
（关注公众号 SIGAICN，回复“算法地图”，即可获得高清原图链接）
图的左半部分列出了常用的机器学习算法与它们之间的演化关系，分为有监督学习，无监
督学习，强化学习 3 大类。右半部分列出了典型算法的总结比较，包括算法的核心点如类
型，预测函数，求解的目标函数，求解算法。
理解和记忆这张图，对你系统化的掌握机器学习与深度学习会非常有帮助！
我们知道，整个机器学习算法可以分为有监督学习，无监督学习，强化学习3 大类。除此
之外还有半监督学习，但我们可以把它归到有监督学习中。算法的演变与发展大多在各个
类的内部进行，但也可能会出现大类间的交叉，如深度强化学习就是深度神经网络与强化
学习技术的结合。
根据样本数据是否带有标签值（label），可以将机器学习算法分成有监督学习和无监督学
习两类。如果要识别 26 个英文字母图像，我们要将每张图像和它是哪个字符即其所属的
类型对应起来，这个类型就是标签值。
有监督学习（supervised learning）的样本数据带有标签值，它从训练样本中学习得到一个
模型，然后用这个模型对新的样本进行预测推断。它的样本由输入值 x 与标签值 y 组成：
其中 x 为样本的特征向量，是模型的输入值；y 为标签值，是模型的输出值。标签值可以
是整数也可以是实数，还可以是向量。有监督学习的目标是给定训练样本集，根据它确定
映射函数：
资源评论
春哥111
- 粉丝: 1w+
- 资源: 5万+
