【复习笔记】设计一个学习系统
2016-01-02 17:32
344 查看
机器学习
计算机能够根据经验来自我学习,提高某任务处理性能的行为。关于学习的定义
定义:对于某类任务T和性能度量P,如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善,那么我们称这个计算机程序在从经验E中学习。通常为了很好的定义一个学习问题,我们必须明确这样三个特性:任务的种类,衡量任务提高的标准,经验的来源。
例如:西洋跳棋学习问题
任务T:下西洋跳棋
性能标准P:比赛中击败对手的百分比
训练经验E:和自己进行对弈
基本设计方法和学习途径
选择训练经验第一个关键属性:训练经验能否为系统的决策提供直接或间接的反馈。
第二个关键属性:学习器可以在多大程度上控制训练样例序列。
第三个关键属性:训练样例的分布能多好地表示实例分布,最终系统的性能P是通过后者来衡量。
选择目标函数
选择目标函数的表示
选择函数逼近算法
最终设计
执行系统:用学会的目标函数解决给定的任务。以新问题的实例作为输入,产生一组解答路线作为输出。
鉴定器:以执行系统的输出最为输入,输出目标函数的一系列训练样例。
泛化器:以训练样例最为输入,产生一个输出假设,作为它对目标函数的估计。
实验生成器:以当前假设作为输入,输出一个新问题。
相关文章推荐
- 用Python从零实现贝叶斯分类器的机器学习的教程
- My Machine Learning
- 机器学习---学习首页 3ff0
- 反向传播(Backpropagation)算法的数学原理
- 也谈 机器学习到底有没有用 ?
- 量子计算机编程原理简介 和 机器学习
- 初识机器学习算法有哪些?
- 10个关于人工智能和机器学习的有趣开源项目
- 机器学习实践中应避免的7种常见错误
- 机器学习书单
- 北美常用的机器学习/自然语言处理/语音处理经典书籍
- 如何提升COBOL系统代码分析效率
- 自动编程体系设想(一)
- 自动编程体系设想(一)
- 支持向量机(SVM)算法概述
- 神经网络初步学习手记
- 常用的分类评估--基于R语言
- 开始spark之旅
- spark的几点备忘
- 关于机器学习的学习笔记(一):机器学习概念