《機器學習基石》3-Types of Learning

這節課主要介紹機器學習問題的一些分類。

Learning with Different Output Space Y$\mathcal{Y}$

按照數據的輸出，可以把 ML 分爲以下幾類：

• 二類別分類問題：Y∈{0,1}$\mathcal{Y}\in \{0,1\}$
• 多類別分類問題：Y∈{0,1,⋯,K}$\mathcal{Y}\in \{0,1,\cdots ,K\}$
• 迴歸問題：Y∈R$\mathcal{Y}\in R$
• 結構學習

Learning with Different Data Label yn$y_n$

按照數據的標籤，可以把 ML 分爲以下幾類：

• supervised： 所有 xn$x_n$ 都具有 yn$y_n$
• unsupervised： 所有 xn$x_n$ 都沒有 yn$y_n$
• semi-supervised： 一些 xn$x_n$ 具有 yn$y_n$

Learning with Different Protocol f$f$

按照數據的傳輸方式，可以把 ML 分爲以下幾類：

• batch： 一次性把所有的數據給算法
• online： 連續的數據，一次處理一個數據
• active： 機器通過主動詢問某些問題來學習

Learning with Different Input Space X$\mathcal{X}$

按照數據的輸入，可以把 ML 分爲以下幾類：

• concrete： 精細的、複雜的、有序的，已經完成預處理的數據
• raw： 原始的，未經處理或者經過很少處理的數據
• abstract：抽象的，無法輕易表明含義的數據