La clasificación del aprendizaje automático incluye principalmente estrategias de aprendizaje, métodos de aprendizaje y formularios de datos. Objetivos de aprendizaje, etc.
Desde la perspectiva de las estrategias de aprendizaje, si hablamos con más rigor, se pueden dividir en dos tipos:
(1) Aprendizaje automático que simula el cerebro humano
Aprendizaje simbólico: simula el proceso de aprendizaje a nivel psicológico macroscópico del cerebro humano, basado en los principios de la psicología cognitiva, utilizando datos simbólicos como entrada, utilizando operaciones simbólicas como método y utilizando el proceso de razonamiento para buscar en el gráfico o espacio de estados. El objetivo de aprender Para conceptos o reglas, etc. Los métodos típicos de aprendizaje simbólico incluyen el aprendizaje de memoria, el aprendizaje con ejemplos, el aprendizaje deductivo, el aprendizaje por analogía, el aprendizaje por explicaciones, etc.
Aprendizaje de redes neuronales (o aprendizaje de conexión): simula el proceso de aprendizaje a nivel fisiológico microscópico del cerebro humano, basado en los principios del cerebro y la neurociencia, con redes neuronales artificiales como modelo de estructura funcional y datos numéricos. como entrada, utilizando operaciones numéricas como método, utilizando un proceso iterativo para buscar en el espacio vectorial de coeficientes, y el objetivo de aprendizaje es una función. El aprendizaje de conexión típico incluye el aprendizaje de corrección de valores ponderados y el aprendizaje de estructuras topológicas.
(2) Aprendizaje automático que utiliza directamente métodos matemáticos
Incluye principalmente aprendizaje automático estadístico.
El aprendizaje automático estadístico se basa en una comprensión preliminar de los datos y el análisis del propósito del aprendizaje, seleccionando un modelo matemático apropiado, formulando hiperparámetros, ingresando datos de muestra y aplicando algoritmos de aprendizaje apropiados al modelo de acuerdo con un cierta estrategia, realizar entrenamiento y finalmente usar el modelo entrenado para analizar y predecir los datos.
Tres elementos del aprendizaje automático estadístico:
Modelo: antes de entrenar el modelo, sus parámetros posibles son múltiples o incluso infinitos, por lo que también hay muchos modelos posibles, incluso infinitos. El conjunto de estos modelos es el espacio de hipótesis.
Estrategia: Criterio para seleccionar el modelo con parámetros óptimos del espacio de hipótesis. Cuanto menor sea el error (función de pérdida) entre los resultados de clasificación o predicción del modelo y la situación real, mejor será el modelo. Entonces la estrategia es minimizar el error.
Algoritmo: método para seleccionar un modelo del espacio de hipótesis (equivalente a resolver los mejores parámetros del modelo). La solución de parámetros del aprendizaje automático generalmente se transforma en un problema de optimización, por lo que el algoritmo de aprendizaje suele ser un algoritmo de optimización, como el método de descenso de gradiente más rápido, el método de Newton y el método cuasi-Newton.
Si nos fijamos en los métodos de aprendizaje, son principalmente aprendizaje inductivo, aprendizaje deductivo, aprendizaje por analogía, aprendizaje analítico, etc.
Desde la perspectiva de los métodos de aprendizaje, existen tres tipos principales: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo.
Cuando se ve desde la perspectiva de la forma de datos, se trata de aprendizaje estructurado y aprendizaje no estructurado.
También se puede ver desde la perspectiva de los objetivos de aprendizaje, incluido el aprendizaje de conceptos, el aprendizaje de reglas, etc. y aprendizaje de funciones, aprendizaje de categorías, aprendizaje de redes bayesianas.