各种机器学习方法概念

博客转自:http://blog.csdn.net/wds555/article/details/45560757

强化学习(Reinforcement Learning):

所谓强化学习就是智能系统从环境到行为映射的学习,以使奖励信号(强化信号)函数值最大,强化学习不同于连接主义学习中的监督学习,强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号),而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少,RLS必须靠自身的经历进行学习。通过这种方式,RLS在行动-评价的环境中获得知识,改进行动方案以适应环境。

增量学习(Incremental Learning):

学习新知识,不忘旧知识。

1) 可以从新数据中学习新知识; 

2) 以前已经处理过的数据不需要重复处理; 

3) 每次只有一个训练观测样本被看到和学习;

4) 学习新知识的同时能保存以前学习到的大部分知识;

5) —旦学习完成后训练观测样本被丢弃;

6) 学习系统没有关于整个训练样本的先验知识  

在线学习(Online Learning):

数据一个一个的到来,一个一个的学习。

迁移学习(Transfor Learning):

迁移学习可以从现有的数据迁移知识,用来帮助将来的学习。迁移学习(Transfer Learning)的目标是将从一个环境中学到的知识用来帮助新环境中的学习任务。因此,迁移学习不会像传统机器学习那样作同分布假设。

批量学习(Batch Learning):

数据一批一批的到来,一批一批的学习。


原文地址:https://www.cnblogs.com/walccott/p/4957042.html