本章涵盖了以下主题：
·分类和回归之外的其他类型的问题；
·评估问题，理解过拟合、欠拟合，以及解决这些问题的技巧；
·为深度学习准备数据。
请记住，在本章中讨论的大多数技术都是机器学习和深度学习通用的，一部分用于解决过拟合问题的技术（如dropout）除外。
4.1 三类机器学习问题在之前的所有例子中，尝试解决的是分类（预测猫或狗）或回归（预测用户在平台上花费的平均时间）问题。所有这些都是有监督学习的例子，目的是找到训练样例和目标之间的映射关系，并用来预测未知数据。
有监督学习只是机器学习的一部分，机器学习也有其他不同的部分。以下是3种不同类型的机器学习：
·有监督学习；
·无监督学习；
·强化学习。
下面详细讲解各种算法。
4.1.1 有监督学习在深度学习和机器学习领域中，大多数成功用例都属于有监督学习。本书中所涵盖的大多数例子也都是有监督学习的一部分。来看看有监督学习的一些常见的例子。
·分类问题：狗和猫的分类。
·回归问题：预测股票价格、板球比赛成绩等。
·图像分割：进行像素级分类。对于自动汽车驾驶来说，从摄像机拍摄的照片中，识别出每个像素属于什么物体是很重要的。这些像素可以是汽车、行人、树、公共汽车等。
·语音识别：OKGoogle、Alexa和Siri都是语音识别的例子。
·语言翻译：从一种语言翻译成另一种语言。
4.1.2 无监督学习在没有标签数据的情况时，可以通过可视化和压缩来帮助无监督学习技术理解数据。两种常用的无监督学习技术是：
·聚类；
·降维。
聚类有助于将所有相似的数据点组合在一起。降维有助于减少维数，从而可视化高维数据，并找到任何隐藏的模式。
4.1.3 强化学习强化学习是最不流行的机器学习范畴。在真实世界中没有发现它的成功用例。然而，近年来有了些改变，来自Google的DeepMind团队成功地构建了基于强化学习的系统，并且在AlphaGo比赛中赢得世界冠军。计算机可以在比赛中击败人类的这种技术上的进展，曾被认为需要花费数十年时间才能实现。然而，使用深度学习和强化学习却可以这么快就达到目标，比任何人所预见的都要快。这些技术已经可以看到早期的成功，但可能需要几年时间才能成为主流。
在本书中，我们将主要
转载请注明：http://www.0431gb208.com/sjslczl/5905.html
