[ML] 機器學習基石：第三講 Types of Learning

ML：基礎學習
課程：機器學習基石
簡介：第三講 Types of Learning

不同的輸出空間 \(\mathbf{y}\)

• classification
• binary
• 多類別
• regression
• \(\mathbf{y} = \mathbf{R}\)
• \(\mathbf{y} = [lower, upper] \subset \mathbf{R}\)
• structured
• 句子詞性架構
• 語音分析
• 蛋白質架構

不同的標記方式 \(y_n\)

• supervised
• 所有的 \(\mathbf{x}\) 都有對應的正確 \(y\) 
• unsupervised
• 所有的 \(\mathbf{x}\) 都沒有對應的正確 \(y\) 
• semi-supervised
• 部分的 \(\mathbf{x}\) 有對應的正確 \(y\)  
• reinforcement
• 提供暗示正確 \(y\) 的資料，good or bad
• 可用於很難告知何謂正確 \(y\)
• 通常為一筆一筆的學習，而不是從一堆資料學習

跟機器溝通的方法 \(f ⇒ (\mathbf{x_n}, y_n)\)

• batch
• 一次提供大量的資料
• online
• 一筆一筆的提供
• active
• 機器對有疑問的部分提出問題

輸入的資料種類 \(\mathbf{X}\)

• concrete
• 明確的定義，具有意義
• raw
• 未處理的資料
• 整張圖的每個 pixel color
• 聲音的頻譜
• 通常會經過預處理轉化成真正的特徵
• 可人做
• 可機器做
• abstract
•  極度抽象的資料，無任何意義
• user_id
• song_id
• 必須再針對其中抽取特徵