简述各类机器学习问题

1.监督学习

监督学习,可以理解为通过学习已有数据特征和标签之间的关系,来预测新的数据特征所对应的标签。

1.1回归

在监督学习中,当标签可以取数据集中的任意数值时,我们将这个问题归为回归问题。

1.2分类

在监督学习中,如果标签只是取到一些有限的数值的话,我们将这个问题归为分类问题。

1.3搜索

从海量结果中,找到和用户输入最相关的一组有序的结果,并按照这个顺序呈现出来。

1.4推荐系统

将用户和他们可能喜欢的东西关联起来,并推送给这些用户。

1.5序列学习

输入之间是有关联的,通过一系列的输入,预测对应的输出结果。

2.无监督学习

只有数据,没有对应的标签的情况。

3.强化学习

数据来自于生产数据的环境,不管是监督学习,还是无监督学习,都是在数据脱离生产环境后的"离线学习"。而,强化学习是与环境实时交互的"在线学习"。

Reference:

1.《动手学习深度学习》

相关推荐
棱镜研途1 小时前
学习笔记丨AR≠VR:透视沉浸式技术的“虚实象限”法则
学习·机器学习·ar·vr·虚拟现实
坚毅不拔的柠檬柠檬1 小时前
AI办公提效,Deepseek + wps生成ppt
人工智能·ai·wps·deepseek
张较瘦_1 小时前
[论文阅读] 人工智能+软件工程 | 用大语言模型架起软件需求形式化的桥梁
论文阅读·人工智能·软件工程
张较瘦_1 小时前
[论文阅读] 人工智能 + 软件工程 | USEagent:迈向统一的AI软件工程师
论文阅读·人工智能·软件工程
楼台的春风1 小时前
【Linux驱动开发 ---- 4.1_sysfs 详解】
linux·运维·c语言·数据库·人工智能·驱动开发·嵌入式硬件
Blossom.1181 小时前
基于深度学习的智能视频行为识别系统:技术与实践
人工智能·深度学习·神经网络·目标检测·机器学习·音视频·sklearn
苹果企业签名分发1 小时前
火山引擎豆包大模型系列新品发布
人工智能·火山引擎
硅谷秋水2 小时前
EfficientVLA:面向视觉-语言-动作模型无训练的加速与压缩
人工智能·深度学习·机器学习·机器人
qq_397752932 小时前
革新仓储新纪元:海格里斯HEGERLS四向穿梭车智领未来
大数据·人工智能
逆羽飘扬3 小时前
【JupyterLab集成】GPU性能监控可视化组件
人工智能·python·jupyter·gpu监控