Este artículo es el extracto de aprendizaje y las notas registradas por el bloguero para estudio personal, investigación o apreciación cuando estudia inteligencia artificial y otros campos, y se basa en la comprensión del bloguero sobre inteligencia artificial y otros campos. Lo corregiré inmediatamente después de señalar a cabo, y espero su comprensión.
Los artículos se clasifican en la columna de extractos y notas del estudio :
Extractos y notas del estudio (2) --- " El misterio de la inteligencia artificial: las escuelas de aprendizaje automático"
El misterio de la inteligencia artificial: las escuelas de aprendizaje automático
Fuente del texto/artículo original:
Tema: " El misterio de la inteligencia artificial: Huashan habla sobre las espadas entre las escuelas de aprendizaje automático, ¿quién puede sobrevivir a la esgrima? "
Autor: Zhu Liming
Hora: 2022-09-28 07:29
Fuente: Publicado en Beijing.
Yann LeCun (Yann LeCun), ganador del premio Turing y director de inteligencia artificial Meta, propuso una famosa metáfora del pastel en 2016: "Si la inteligencia es pan comido, el cuerpo principal es el aprendizaje autosupervisado, la guinda de la superficie es el aprendizaje supervisado". , y la cereza punteada es aprendizaje por refuerzo”
aprendizaje automático :
Un método para realizar inteligencia artificial que mejora continuamente el rendimiento de una determinada tarea a partir de datos a través de un determinado modelo de algoritmo,
Yendo un paso más allá, el aprendizaje profundo es un método de aprendizaje automático que utiliza modelos de redes neuronales para aprender de cantidades masivas de datos.
Aprendizaje supervisado
El método de aprendizaje automático más utilizado, que utiliza conjuntos de datos etiquetados por expertos para entrenar modelos.
Similar a: Alfabetización por imágenes
Aprendizaje sin supervisión
No es necesario etiquetar los datos. El aprendizaje no supervisado puede aprender las leyes contenidas en los propios datos o aprender su representación interna, por lo que se pueden generar nuevos datos. Generalmente menos preciso que el aprendizaje supervisado
Aprendizaje autosupervisado
Utilice datos masivos sin etiquetar para etiquetar automáticamente los datos a través de las leyes contenidas en los propios datos, a fin de transformar el aprendizaje no supervisado en aprendizaje supervisado.
Aprendizaje semisupervisado
Uso combinado de aprendizaje supervisado y métodos de aprendizaje automático de aprendizaje no supervisado. Puede utilizar una pequeña cantidad de datos etiquetados y una gran cantidad de datos no etiquetados para el entrenamiento del modelo, por lo que también se denomina aprendizaje supervisado débil.
La diferencia entre los métodos de aprendizaje automático anteriores radica principalmente en la cantidad de etiquetas en el conjunto de datos de entrenamiento .
El aprendizaje supervisado es un etiquetado completo, el aprendizaje semisupervisado es una pequeña cantidad de etiquetado, el aprendizaje no supervisado no requiere etiquetado en absoluto y el aprendizaje autosupervisado consiste en encontrar etiquetas potenciales a partir de datos no etiquetados.
Aprendizaje profundo
Aprendizaje reforzado
En lugar de aprender de un conjunto de datos estáticos, estudie cómo el agente toma decisiones continuas óptimas en el entorno (obtiene la máxima recompensa)
El aprendizaje por refuerzo es similar a cómo los animales y los humanos optimizan los patrones de comportamiento recompensando y castigando las interacciones con el medio ambiente .
Aprendizaje por refuerzo profundo
La combinación de aprendizaje por refuerzo y aprendizaje profundo ha progresado mucho en los últimos años.
Si el artículo es inapropiado e incorrecto, por favor comprenda y señale. Dado que algunos textos e imágenes provienen de Internet, la fuente real no se puede verificar. Si hay alguna disputa, comuníquese con el blogger para eliminarla. Si tiene algún error, pregunta o infracción, deje un comentario para comunicarse con el autor o siga la cuenta pública de VX: Rain21321 y comuníquese con el autor.