機器學習集成方法(機器學習的類型)
1.機器學習的類型有哪些
基于學習策略的分類 學習策略是指學習過程中系統(tǒng)所采用的推理策略。
一個學習系統(tǒng)總是由學習和環(huán)境兩部分組成。由環(huán)境（如書本或教師）提供信息，學習部分則實現(xiàn)信息轉(zhuǎn)換，用能夠理解的形式記憶下來，并從中獲取有用的信息。
在學習過程中，學生（學習部分）使用的推理越少，他對教師（環(huán)境）的依賴就越大，教師的負擔也就越重。學習策略的分類標準就是根據(jù)學生實現(xiàn)信息轉(zhuǎn)換所需的推理多少和難易程度來分類的，依從簡單到復雜，從少到多的次序分為以下六種基本類型：1）機械學習 （Rote learning） 學習者無需任何推理或其它的知識轉(zhuǎn)換，直接吸取環(huán)境所提供的信息。
如塞繆爾的跳棋程序，紐厄爾和西蒙的LT系統(tǒng)。這類學習系統(tǒng)主要考慮的是如何索引存貯的知識并加以利用。
系統(tǒng)的學習方法是直接通過事先編好、構(gòu)造好的程序來學習，學習者不作任何工作，或者是通過直接接收既定的事實和數(shù)據(jù)進行學習，對輸入信息不作任何的推理。2）示教學習 （Learning from instruction或Learning by being told） 學生從環(huán)境（教師或其它信息源如教科書等）獲取信息，把知識轉(zhuǎn)換成內(nèi)部可使用的表示形式，并將新的知識和原有知識有機地結(jié)合為一體。
所以要求學生有一定程度的推理能力，但環(huán)境仍要做大量的工作。教師以某種形式提出和組織知識，以使學生擁有的知識可以不斷地增加。
這種學習方法和人類社會的學校教學方式相似，學習的任務就是建立一個系統(tǒng)，使它能接受教導和建議，并有效地存貯和應用學到的知識。不少專家系統(tǒng)在建立知識庫時使用這種方法去實現(xiàn)知識獲取。
示教學習的一個典型應用例是FOO程序。3）演繹學習 （Learning by deduction） 學生所用的推理形式為演繹推理。
推理從公理出發(fā)，經(jīng)過邏輯變換推導出結(jié)論。這種推理是"保真"變換和特化（specialization）的過程，使學生在推理過程中可以獲取有用的知識。
這種學習方法包含宏操作（macro-operation）學習、知識編輯和組塊（Chunking）技術(shù)。演繹推理的逆過程是歸納推理。
4）類比學習 （Learning by analogy） 利用二個不同領(lǐng)域（源域、目標域）中的知識相似性，可以通過類比，從源域的知識（包括相似的特征和其它性質(zhì)）推導出目標域的相應知識，從而實現(xiàn)學習。類比學習系統(tǒng)可以使一個已有的計算機應用系統(tǒng)轉(zhuǎn)變?yōu)檫m應于新的領(lǐng)域，來完成原先沒有設(shè)計的相類似的功能。
類比學習需要比上述三種學習方式更多的推理。它一般要求先從知識源（源域）中檢索出可用的知識，再將其轉(zhuǎn)換成新的形式，用到新的狀況（目標域）中去。
類比學習在人類科學技術(shù)發(fā)展史上起著重要作用，許多科學發(fā)現(xiàn)就是通過類比得到的。例如著名的盧瑟福類比就是通過將原子結(jié)構(gòu)（目標域）同太陽系（源域）作類比，揭示了原子結(jié)構(gòu)的奧秘。
5）基于解釋的學習 （Explanation-based learning, EBL） 學生根據(jù)教師提供的目標概念、該概念的一個例子、領(lǐng)域理論及可操作準則，首先構(gòu)造一個解釋來說明為什該例子滿足目標概念，然后將解釋推廣為目標概念的一個滿足可操作準則的充分條件。EBL已被廣泛應用于知識庫求精和改善系統(tǒng)的性能。
著名的EBL系統(tǒng)有迪喬恩（G.DeJong）的GENESIS，米切爾（T.Mitchell）的LEXII和LEAP， 以及明頓（S.Minton）等的PRODIGY。6）歸納學習 （Learning from induction） 歸納學習是由教師或環(huán)境提供某概念的一些實例或反例，讓學生通過歸納推理得出該概念的一般描述。
這種學習的推理工作量遠多于示教學習和演繹學習，因為環(huán)境并不提供一般性概念描述（如公理）。從某種程度上說，歸納學習的推理量也比類比學習大，因為沒有一個類似的概念可以作為"源概念"加以取用。
歸納學習是最基本的，發(fā)展也較為成熟的學習方法，在人工智能領(lǐng)域中已經(jīng)得到廣泛的研究和應用?；谒@取知識的表示形式分類 學習系統(tǒng)獲取的知識可能有：行為規(guī)則、物理對象的描述、問題求解策略、各種分類及其它用于任務實現(xiàn)的知識類型。
對于學習中獲取的知識，主要有以下一些表示形式：1）代數(shù)表達式參數(shù) 學習的目標是調(diào)節(jié)一個固定函數(shù)形式的代數(shù)表達式參數(shù)或系數(shù)來達到一個理想的性能。2）決策樹 用決策樹來劃分物體的類屬，樹中每一內(nèi)部節(jié)點對應一個物體屬性，而每一邊對應于這些屬性的可選值，樹的葉節(jié)點則對應于物體的每個基本分類。
3）形式文法 在識別一個特定語言的學習中，通過對該語言的一系列表達式進行歸納，形成該語言的形式文法。4）產(chǎn)生式規(guī)則 產(chǎn)生式規(guī)則表示為條件—動作對，已被極為廣泛地使用。
學習系統(tǒng)中的學習行為主要是：生成、泛化、特化（Specialization）或合成產(chǎn)生式規(guī)則。5）形式邏輯表達式 形式邏輯表達式的基本成分是命題、謂詞、變量、約束變量范圍的語句，及嵌入的邏輯表達式。
6）圖和網(wǎng)絡(luò) 有的系統(tǒng)采用圖匹配和圖轉(zhuǎn)換方案來有效地比較和索引知識。7）框架和模式（schema） 每個框架包含一組槽，用于描述事物（概念和個體）的各個方面。
8）計算機程序和其它的過程編碼 獲取這種形式的知識，目的在于取得一種能實現(xiàn)特定過程的能力，而不是為了推斷該過程的內(nèi)部結(jié)構(gòu)。9）神經(jīng)網(wǎng)絡(luò) 這主要用在聯(lián)接學習。
2.機器學習算法有哪些
樓主肯定對機器學習了解不多才會提這種問題。
這問題專業(yè)程度看起來和“機器學習工程師”這詞匯一樣。 機器學習，基礎(chǔ)的PCA模型理論，貝葉斯，boost,Adaboost， 模式識別中的各種特征，諸如Hog,Haar,SIFT等 深度學習里的DBN,CNN,BP,RBM等等。
非專業(yè)出身，只是略懂一點。 沒有常用的，只是針對需求有具體的設(shè)計，或者需要自己全新設(shè)計一個合適的算法，現(xiàn)在最熱門的算是CNN(convolutional neural networks)卷積神經(jīng)網(wǎng)絡(luò)了。
優(yōu)點：不需要訓練獲取特征，在學習過程中自動提取圖像中的特征，免去了常規(guī)方法中，大量訓練樣本的時間。在樣本足夠大的情況下，能夠得到非常精確的識別結(jié)果。
一般都能95%+的正確率。 缺點：硬件要求高，CUDA的并行框架算是用的很火的了。
但是一般的臺式機跑一個Demo花費的時間長資源占用高。不過這也是這塊算法的通病。
3.集成學習方法 什么情況下表現(xiàn)最好
1、高效的學習，要學會給自己定定目標（大、小、長、短），這樣學習會有一個方向；然后梳理自身的學習情況，找出自己掌握的薄弱環(huán)節(jié)、存在的問題、容易丟分的知識點；再者合理的分配時間，有針對性的制定學習任務，一一的去落實。
2、可以學習掌握速讀記憶的能力，提高學習復習效率。速讀記憶是一種高效的學習、復習方法，其訓練原理就在于激活“腦、眼”潛能，培養(yǎng)形成眼腦直映式的閱讀、學習方式。速讀記憶的練習見《精英特全腦速讀記憶訓練》，用軟件練習，每天一個多小時，一個月的時間，可以把閱讀速度提高5、6倍，記憶力、理解力等也會得到相應的提高，最終提高學習、復習效率，取得好成績。如果你的閱讀、學習效率低的話，可以好好的去練習一下。
3、要學會整合知識點。把需要學習的信息、掌握的知識分類，做成思維導圖或知識點卡片，會讓你的大腦、思維條理清醒，方便記憶、溫習、掌握。同時，要學會把新知識和已學知識聯(lián)系起來，不斷糅合、完善你的知識體系。這樣能夠促進理解，加深記憶。
4、做題的時候要學會反思、歸類、整理出對應的解題思路。遇到錯的題（粗心做錯也好、不會做也罷），最好能把這些錯題收集起來，每個科目都建立一個獨立的錯題集（錯題集要歸類），當我們進行考前復習的時候，它們是重點復習對象，保證不再同樣的問題上再出錯、再丟分。
4.機器學習的基本任務是什么
就目前而言，大家都聽說過人工智能、物聯(lián)網(wǎng)以及大數(shù)據(jù)。當然，人工智能的熱度最高?？梢哉f，我國當下的人工智能發(fā)展是處于領(lǐng)先水平的?，F(xiàn)如今，人工智能有很多的應用早已在人們的生活中普及，那么大家是否知道機器學習的基本任務是什么呢？下面我們直接進入正題。
1.機器學習的概念是什么？
對于機器學習的概念，百度上是這么解釋的，機器學習是一門多領(lǐng)域交叉學科，涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。
2.機器學習中的任務
當然，機器學習基于數(shù)據(jù)，并以此獲取新知識、新技能。它的任務有很多，分類是其基本任務之一。分類就是將新數(shù)據(jù)劃分到合適的類別中，一般用于類別型的目標特征，如果目標特征為連續(xù)型，則往往采用回歸方法。回歸是對新目標特征進行預測，是機器學習中使用非常廣泛的方法之一。
3.分類和回歸
機器學習中的分類和回歸，都是先根據(jù)標簽值或目標值建立模型或規(guī)則，然后利用這些帶有目標值的數(shù)據(jù)形成的模型或規(guī)則，對新數(shù)據(jù)進行識別或預測。這兩種方法都屬于監(jiān)督學習。與監(jiān)督學習相對是無監(jiān)督學習，無監(jiān)督學習不指定目標值或預先無法知道目標值，它可以將把相似或相近的數(shù)據(jù)劃分到相同的組里，聚類就是解決這一類問題的方法之一。
4.機器學習的算法都有哪些呢？
機器學習除了監(jiān)督學習、無監(jiān)督學習這兩種最常見的方法外，還有半監(jiān)督學習、強化學習等方法，這些基本任務間的關(guān)系就是機器學習包括監(jiān)督學習和無監(jiān)督學習，而監(jiān)督學習就是基于輸入數(shù)據(jù)及目標值訓練預測模型，而具體細分為分類和回歸，其中分類就是有決策樹、支持向量機、樸素貝葉斯、K-近鄰、集成方法等等，而回歸則是有線性回歸、邏輯回歸、集成方法、神經(jīng)網(wǎng)絡(luò)知識等等。而非監(jiān)督學習就是根據(jù)輸入數(shù)據(jù)對數(shù)據(jù)進行分組，其中最具體的方式就是聚類，而涉及到的算法有K-均值算法，高斯混合算法、分層聚類算法等等。
通過這篇文章我們給大家介紹了關(guān)于機器學習基本任務的知識，從中我們不難發(fā)現(xiàn)機器學習有很多可供運用和發(fā)展的東西，我們在學習機器學習的時候一定要好好吸收這些知識的，讓自己的基礎(chǔ)更加牢固，能夠融會貫通。
5.機器學習有哪些主要流派它們分別有什么貢獻
機器學習5大流派：
①符號主義：使用符號、規(guī)則和邏輯來表征知識和進行邏輯推理，最突出的貢獻算法是：規(guī)則和決策樹
②貝葉斯派：獲取發(fā)生的可能性來進行概率推理，最突出的貢獻算法是：樸素貝葉斯或馬爾可夫
③聯(lián)結(jié)主義：使用概率矩陣和加權(quán)神經(jīng)元來動態(tài)地識別和歸納模式，最突出的貢獻算法是：神經(jīng)網(wǎng)絡(luò)
④進化主義：生成變化，然后為特定目標獲取其中最優(yōu)的，最突出的貢獻算法是：遺傳算法
⑤Analogizer：根據(jù)約束條件來優(yōu)化函數(shù)（盡可能走到更高，但同時不要離開道路），最突出的貢獻算法是：支持向量機
