¿Cuáles son los métodos de entrenamiento comúnmente utilizados para la inteligencia artificial?

Existen cuatro métodos:

1.

En el aprendizaje supervisado, los datos de entrada se denominan "datos de entrenamiento". Cada conjunto de datos de entrenamiento tiene una identificación o resultado claro, como "spam" y "no spam" en el sistema antispam. ", "1", "2", "3", "4", etc. en reconocimiento de dígitos escritos a mano.

Al construir un modelo de predicción, el aprendizaje supervisado establece un proceso de aprendizaje, compara los resultados de la predicción con los resultados reales de los "datos de entrenamiento" y ajusta continuamente el modelo de predicción hasta que los resultados de la predicción del modelo alcancen un nivel esperado.

2. Aprendizaje por refuerzo.

En este modo de aprendizaje, los datos de entrada se utilizan como retroalimentación para el modelo. A diferencia del modelo supervisado, los datos de entrada solo se utilizan como una forma de comprobar si el modelo es correcto o incorrecto. , los datos de entrada se retroalimentan directamente al modelo, que debe adaptarse inmediatamente.

3. Aprendizaje no supervisado.

En el aprendizaje no supervisado, los datos no están etiquetados especialmente y el modelo de aprendizaje se utiliza para inferir alguna estructura intrínseca de los datos. Los escenarios de aplicación comunes incluyen el aprendizaje de reglas de asociación y la agrupación. Los algoritmos comunes incluyen el algoritmo Apriori y el algoritmo k-Means.

4. Aprendizaje semisupervisado.

En este método de aprendizaje, parte de los datos de entrada están etiquetados y parte no. Este modelo de aprendizaje se puede utilizar para hacer predicciones, pero el modelo primero necesita aprender la estructura intrínseca de los datos para poder hacerlo. para organizar razonablemente los datos.

Los escenarios de aplicación incluyen clasificación y regresión, y los algoritmos incluyen algunas extensiones de los algoritmos de aprendizaje supervisados ​​comúnmente utilizados. Estos algoritmos primero intentan modelar datos sin etiquetar y luego predecir los datos etiquetados sobre esta base.