解决现实世界问题的四大机器学习策略

人工智能 机器学习
有的在线学习算法还会“适应”,即随时调整模型,跟随或追踪数据的变化。具体而言,它们会逐渐“遗忘”过时数据,从而适用于环境 模型随时变动的应用程序。

机器学习有四种广受认可的形式:监督式、无监督式、半监督式和强化式。在研究文献中,这些形式得到了深入的探讨。它们也被纳入了大多数机器学习算法的入门课程。下表对这四种形式作了总结。

 

\

 

但一个并不广为人知的概念是机器学习策略,即以创造性的方式,运用基本的机器学习算法,解决现实世界问题。我对这些策略产生了浓厚的兴趣。在这篇文章中,我将探讨四种策略:在线学习、迁移学习、集成学习和深度学习。好在,这四项策略适用于表格中任意一种机器学习形式。

一、在线学习

在线学习使用瞬息万变的数据。这类模型跟着数据及时更新,并不存储先前的数据。有的在线学习算法还会“适应”,即随时调整模型,跟随或追踪数据的变化。具体而言,它们会逐渐“遗忘”过时数据,从而适用于环境/模型随时变动的应用程序。批量(或离线)学习使用静态的数据,可以充当在线学习的热身。在批量学习中,模型一次性完成所有数据的学习。很多在线学习算法使用一个批量/离线算法(以一小批数据为基础),为模型作启动前的热身。这种做法可以显着加快算法的收敛(convergence)速度。

二、迁移学习

迁移学习将一个领域的知识应用到另一个领域。它将旧的数据、模型和参数用于新问题的解决,对于机器学习模型的终身学习而言至关重要。迁移学习是人与生俱来的能力。举个例子,我们会将已经掌握的语言知识(词汇、语法等),应用到新语言的学习中。两种语言越是接近,知识迁移就越简单。

三、集成学习

单学习器模型只用一个学习器(算法),而集成学习使用多个学习器。一般的集成算法包含梯度提升、引导聚集、决策森林、堆栈集成和超级学习器。集成学习可以结合相对较弱(很多情况下,预测精度只略高于随机猜测)的学习器,产生强大、准确的模型。

四、深度学习

深度学习包含多个层,可以学习数据的层级化或多尺度特征。与之相对的是“浅层学习”,即简单地运用普通的机器学习建模算法。通常,浅层学习离不开特征工程(feature engineering),以保障输入以适当的形式呈现给模型,而深度学习在训练时,就自然而然地学会了这些特征。

在用机器学习算法解决日常业务难题时,机器学习策略是我们要考虑的又一个方面。 

责任编辑:庞桂玉 来源: CIO时代
相关推荐

2017-01-05 15:38:33

机器学习开源框架

2018-01-03 12:57:55

Bug管理员代码

2020-01-15 12:43:51

人工智能机器学习工程师

2022-01-14 11:48:39

量子计算硬件技术

2015-11-12 18:09:10

2020-05-17 20:38:40

机器物联网物联网IOT

2017-07-31 10:31:13

2011-03-04 13:17:33

2022-08-22 09:45:34

自动驾驶

2014-04-29 10:56:23

物联网IoT

2017-07-11 08:40:07

区块链IT分布式数据

2012-08-24 11:00:31

2013-07-23 10:13:17

2020-04-26 22:08:43

物联网产品物联网IOT

2016-06-16 17:41:57

云计算云服务

2024-01-26 06:06:26

单体微服务容器化

2018-11-06 10:53:10

2020-02-10 14:50:26

云原生云计算混合云

2012-01-19 19:00:50

2013-05-09 09:13:41

点赞
收藏

51CTO技术栈公众号