1.监督式学习:
监督式学习就是建立一个学习过程,将预测结果与“训练数据”的实际结果进行比较,不断的调整预测模型,直到模型的预测结果达到一个预期的准确率。常见算法有逻辑回归和反向传递神经网络
2.非监督式学习:
在非监督式学习中,不会对数据进行特别标识,学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法。
3.半监督式学习:
在该方式下,输入的数据部分会被标识,部分没有被标识,这种学习模型可以用来进行预测,但是我们首先需要学习数据的内在结构以便合理的组织数据来进行预测。
4.强化学习:
在这种学习模式下,输入数据就会作为对模型的反馈,在强化学习下,输入数据可以直接反馈到模型,因此就要求模型必须对此立刻作出调整。常见的应用场景包括动态系统以及机器人控制等。常见算法包括Q-Learning以及时间差学习
版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。