機器學習集成方法(機器學習的類型)
1.機器學習的類型有哪些
基于學習策略的分類 學習策略是指學習過程中系統(tǒng)所采用的推理策略。
一個學習系統(tǒng)總是由學習和環(huán)境兩部分組成。由環(huán)境（如書本或教師）提供信息，學習部分則實現信息轉換，用能夠理解的形式記憶下來，并從中獲取有用的信息。
在學習過程中，學生（學習部分）使用的推理越少，他對教師（環(huán)境）的依賴就越大，教師的負擔也就越重。學習策略的分類標準就是根據學生實現信息轉換所需的推理多少和難易程度來分類的，依從簡單到復雜，從少到多的次序分為以下六種基本類型：1）機械學習 （Rote learning） 學習者無需任何推理或其它的知識轉換，直接吸取環(huán)境所提供的信息。
如塞繆爾的跳棋程序，紐厄爾和西蒙的LT系統(tǒng)。這類學習系統(tǒng)主要考慮的是如何索引存貯的知識并加以利用。
系統(tǒng)的學習方法是直接通過事先編好、構造好的程序來學習，學習者不作任何工作，或者是通過直接接收既定的事實和數據進行學習，對輸入信息不作任何的推理。2）示教學習 （Learning from instruction或Learning by being told） 學生從環(huán)境（教師或其它信息源如教科書等）獲取信息，把知識轉換成內部可使用的表示形式，并將新的知識和原有知識有機地結合為一體。
所以要求學生有一定程度的推理能力，但環(huán)境仍要做大量的工作。教師以某種形式提出和組織知識，以使學生擁有的知識可以不斷地增加。
這種學習方法和人類社會的學校教學方式相似，學習的任務就是建立一個系統(tǒng)，使它能接受教導和建議，并有效地存貯和應用學到的知識。不少專家系統(tǒng)在建立知識庫時使用這種方法去實現知識獲取。
示教學習的一個典型應用例是FOO程序。3）演繹學習 （Learning by deduction） 學生所用的推理形式為演繹推理。
推理從公理出發(fā)，經過邏輯變換推導出結論。這種推理是"保真"變換和特化（specialization）的過程，使學生在推理過程中可以獲取有用的知識。
這種學習方法包含宏操作（macro-operation）學習、知識編輯和組塊（Chunking）技術。演繹推理的逆過程是歸納推理。
4）類比學習 （Learning by analogy） 利用二個不同領域（源域、目標域）中的知識相似性，可以通過類比，從源域的知識（包括相似的特征和其它性質）推導出目標域的相應知識，從而實現學習。類比學習系統(tǒng)可以使一個已有的計算機應用系統(tǒng)轉變?yōu)檫m應于新的領域，來完成原先沒有設計的相類似的功能。
類比學習需要比上述三種學習方式更多的推理。它一般要求先從知識源（源域）中檢索出可用的知識，再將其轉換成新的形式，用到新的狀況（目標域）中去。
類比學習在人類科學技術發(fā)展史上起著重要作用，許多科學發(fā)現就是通過類比得到的。例如著名的盧瑟福類比就是通過將原子結構（目標域）同太陽系（源域）作類比，揭示了原子結構的奧秘。
5）基于解釋的學習 （Explanation-based learning, EBL） 學生根據教師提供的目標概念、該概念的一個例子、領域理論及可操作準則，首先構造一個解釋來說明為什該例子滿足目標概念，然后將解釋推廣為目標概念的一個滿足可操作準則的充分條件。EBL已被廣泛應用于知識庫求精和改善系統(tǒng)的性能。
著名的EBL系統(tǒng)有迪喬恩（G.DeJong）的GENESIS，米切爾（T.Mitchell）的LEXII和LEAP， 以及明頓（S.Minton）等的PRODIGY。6）歸納學習 （Learning from induction） 歸納學習是由教師或環(huán)境提供某概念的一些實例或反例，讓學生通過歸納推理得出該概念的一般描述。
這種學習的推理工作量遠多于示教學習和演繹學習，因為環(huán)境并不提供一般性概念描述（如公理）。從某種程度上說，歸納學習的推理量也比類比學習大，因為沒有一個類似的概念可以作為"源概念"加以取用。
歸納學習是最基本的，發(fā)展也較為成熟的學習方法，在人工智能領域中已經得到廣泛的研究和應用。基于所獲取知識的表示形式分類 學習系統(tǒng)獲取的知識可能有：行為規(guī)則、物理對象的描述、問題求解策略、各種分類及其它用于任務實現的知識類型。
對于學習中獲取的知識，主要有以下一些表示形式：1）代數表達式參數 學習的目標是調節(jié)一個固定函數形式的代數表達式參數或系數來達到一個理想的性能。2）決策樹 用決策樹來劃分物體的類屬，樹中每一內部節(jié)點對應一個物體屬性，而每一邊對應于這些屬性的可選值，樹的葉節(jié)點則對應于物體的每個基本分類。
3）形式文法 在識別一個特定語言的學習中，通過對該語言的一系列表達式進行歸納，形成該語言的形式文法。4）產生式規(guī)則 產生式規(guī)則表示為條件—動作對，已被極為廣泛地使用。
學習系統(tǒng)中的學習行為主要是：生成、泛化、特化（Specialization）或合成產生式規(guī)則。5）形式邏輯表達式 形式邏輯表達式的基本成分是命題、謂詞、變量、約束變量范圍的語句，及嵌入的邏輯表達式。
6）圖和網絡 有的系統(tǒng)采用圖匹配和圖轉換方案來有效地比較和索引知識。7）框架和模式（schema） 每個框架包含一組槽，用于描述事物（概念和個體）的各個方面。
8）計算機程序和其它的過程編碼 獲取這種形式的知識，目的在于取得一種能實現特定過程的能力，而不是為了推斷該過程的內部結構。9）神經網絡 這主要用在聯接學習。
2.機器學習算法有哪些
樓主肯定對機器學習了解不多才會提這種問題。
這問題專業(yè)程度看起來和“機器學習工程師”這詞匯一樣。 機器學習，基礎的PCA模型理論，貝葉斯，boost,Adaboost， 模式識別中的各種特征，諸如Hog,Haar,SIFT等 深度學習里的DBN,CNN,BP,RBM等等。
非專業(yè)出身，只是略懂一點。 沒有常用的，只是針對需求有具體的設計，或者需要自己全新設計一個合適的算法，現在最熱門的算是CNN(convolutional neural networks)卷積神經網絡了。
優(yōu)點：不需要訓練獲取特征，在學習過程中自動提取圖像中的特征，免去了常規(guī)方法中，大量訓練樣本的時間。在樣本足夠大的情況下，能夠得到非常精確的識別結果。
一般都能95%+的正確率。 缺點：硬件要求高，CUDA的并行框架算是用的很火的了。
但是一般的臺式機跑一個Demo花費的時間長資源占用高。不過這也是這塊算法的通病。
3.集成學習方法 什么情況下表現最好
1、高效的學習，要學會給自己定定目標（大、小、長、短），這樣學習會有一個方向；然后梳理自身的學習情況，找出自己掌握的薄弱環(huán)節(jié)、存在的問題、容易丟分的知識點；再者合理的分配時間，有針對性的制定學習任務，一一的去落實。
2、可以學習掌握速讀記憶的能力，提高學習復習效率。速讀記憶是一種高效的學習、復習方法，其訓練原理就在于激活“腦、眼”潛能，培養(yǎng)形成眼腦直映式的閱讀、學習方式。速讀記憶的練習見《精英特全腦速讀記憶訓練》，用軟件練習，每天一個多小時，一個月的時間，可以把閱讀速度提高5、6倍，記憶力、理解力等也會得到相應的提高，最終提高學習、復習效率，取得好成績。如果你的閱讀、學習效率低的話，可以好好的去練習一下。
3、要學會整合知識點。把需要學習的信息、掌握的知識分類，做成思維導圖或知識點卡片，會讓你的大腦、思維條理清醒，方便記憶、溫習、掌握。同時，要學會把新知識和已學知識聯系起來，不斷糅合、完善你的知識體系。這樣能夠促進理解，加深記憶。
4、做題的時候要學會反思、歸類、整理出對應的解題思路。遇到錯的題（粗心做錯也好、不會做也罷），最好能把這些錯題收集起來，每個科目都建立一個獨立的錯題集（錯題集要歸類），當我們進行考前復習的時候，它們是重點復習對象，保證不再同樣的問題上再出錯、再丟分。
4.機器學習的基本任務是什么
就目前而言，大家都聽說過人工智能、物聯網以及大數據。當然，人工智能的熱度最高。可以說，我國當下的人工智能發(fā)展是處于領先水平的?，F如今，人工智能有很多的應用早已在人們的生活中普及，那么大家是否知道機器學習的基本任務是什么呢？下面我們直接進入正題。
1.機器學習的概念是什么？
對于機器學習的概念，百度上是這么解釋的，機器學習是一門多領域交叉學科，涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。
2.機器學習中的任務
當然，機器學習基于數據，并以此獲取新知識、新技能。它的任務有很多，分類是其基本任務之一。分類就是將新數據劃分到合適的類別中，一般用于類別型的目標特征，如果目標特征為連續(xù)型，則往往采用回歸方法?；貧w是對新目標特征進行預測，是機器學習中使用非常廣泛的方法之一。
3.分類和回歸
機器學習中的分類和回歸，都是先根據標簽值或目標值建立模型或規(guī)則，然后利用這些帶有目標值的數據形成的模型或規(guī)則，對新數據進行識別或預測。這兩種方法都屬于監(jiān)督學習。與監(jiān)督學習相對是無監(jiān)督學習，無監(jiān)督學習不指定目標值或預先無法知道目標值，它可以將把相似或相近的數據劃分到相同的組里，聚類就是解決這一類問題的方法之一。
4.機器學習的算法都有哪些呢？
機器學習除了監(jiān)督學習、無監(jiān)督學習這兩種最常見的方法外，還有半監(jiān)督學習、強化學習等方法，這些基本任務間的關系就是機器學習包括監(jiān)督學習和無監(jiān)督學習，而監(jiān)督學習就是基于輸入數據及目標值訓練預測模型，而具體細分為分類和回歸，其中分類就是有決策樹、支持向量機、樸素貝葉斯、K-近鄰、集成方法等等，而回歸則是有線性回歸、邏輯回歸、集成方法、神經網絡知識等等。而非監(jiān)督學習就是根據輸入數據對數據進行分組，其中最具體的方式就是聚類，而涉及到的算法有K-均值算法，高斯混合算法、分層聚類算法等等。
通過這篇文章我們給大家介紹了關于機器學習基本任務的知識，從中我們不難發(fā)現機器學習有很多可供運用和發(fā)展的東西，我們在學習機器學習的時候一定要好好吸收這些知識的，讓自己的基礎更加牢固，能夠融會貫通。
5.機器學習有哪些主要流派它們分別有什么貢獻
機器學習5大流派：
①符號主義：使用符號、規(guī)則和邏輯來表征知識和進行邏輯推理，最突出的貢獻算法是：規(guī)則和決策樹
②貝葉斯派：獲取發(fā)生的可能性來進行概率推理，最突出的貢獻算法是：樸素貝葉斯或馬爾可夫
③聯結主義：使用概率矩陣和加權神經元來動態(tài)地識別和歸納模式，最突出的貢獻算法是：神經網絡
④進化主義：生成變化，然后為特定目標獲取其中最優(yōu)的，最突出的貢獻算法是：遺傳算法
⑤Analogizer：根據約束條件來優(yōu)化函數（盡可能走到更高，但同時不要離開道路），最突出的貢獻算法是：支持向量機
