无监督人工神经网络

本文概述

• 监督学习
• 无监督学习
• 强化学习

学习是每个人创造智力所需的基本组成部分。人类从大脑学习经验的能力中获取智慧, 并在面对现有和新的情况时利用它们进行适应。在机器和计算机中复制人类智能是人工智能技术的目标, 其中一项是人工神经网络。人工神经网络是为模仿人脑的学习能力而定义的模型。像人类一样, 验证, 培训和测试是创建此类计算模型的重要组成部分。人工神经网络通过获取一些数据集(可能被标记或未标记)并通过仿真计算地改变网络的自由参数来获取信息。根据学习规则和训练过程, 可以将人工神经网络中的学习分为监督学习, 强化学习和无监督学习。

监督学习

在监督学习中, 人工神经网络在教育者(例如系统设计师)的监督下, 该教育者利用他或她对系统的知识来准备带有标记数据集的网络。因此, 人工神经网络通过接收输入进行学习, 并从标记的数据集中定位一些观察值的集合。这是将输入和输出与目标进行比较并计算输出与目标之间的误差的过程。它通过反向传播的思想利用误差信号来改变将网络神经元互连的权重, 以限制误差并优化性能。对网络进行微调, 直到限制输出和目标输出之间差异的权重集为止。监督学习过程用于解决分类和回归问题。监督学习算法的输出可以是分类器或预测器。当主管对系统的了解足以为培训提供网络的输入和目标输出对时, 将限制此过程的应用。

无监督学习

当无监督的学习用类的身份(标签)来扩充训练数据集是荒谬的时, 就使用无监督的学习。这种困难发生在没有系统知识或获得此类知识的成本过高的情况下。顾名思义, 在无监督学习中, 人工神经网络不在”老师”的指导下。相反, 它提供了未标记的数据集(仅包含输入数据), 并被留下来发现数据中的模式并从中建立新模型。在这种情况下, ANN会找出如何通过利用数据簇之间的分隔来排列数据。

强化学习

强化学习是另一种无监督学习。它包括与系统的合作, 获取此类系统的条件, 选择更改此状态的活动, 将动作发送至系统并接受以形式为正或负的反馈形式的数字奖励或惩罚。学习政策的目标。通过尝试和错误技术来选择提高奖励的活动。该图说明了用于描述强化学习概念的框图。强化和无监督学习在许多方面都彼此不同。强化学习包括通过最大化一些奖励来学习策略。无监督学习的目的是利用输入数据中的相似性和差异性, 将其用于以后的分类。

监督学习提示回归和分类, 而监督学习则承担着模式识别, 数据维数减少和聚类的任务。无监督学习旨在发现输入数据中的某些模式。识别未标记的数据集中的模式会提示聚类。识别系统的重要阶段之一是模式识别。模式识别已发现在数据挖掘, 文档分类, 诊断疾病, 识别人脸等方面的应用。顾名思义, 数据挖掘包括自动或半自动挖掘, 从大量数据集中提取有用的信息, 模式。自组织图是用于数据挖掘的人工神经网络算法。

通过自组织地图可以对大量数据进行分析和可视化。使用基于自组织图的无监督神经网络将医学数据与三个子空间进行聚类, 这三个子空间分别称为患者的药物, 身体位置和生理异常。自组织图用于分析和可视化酵母基因表达, 并被区分为组织和解释像酵母基因表达这样的巨大数据集的极好, 快速和有利的过程。无监督学习还承担着减少高维数据中变量数量的任务, 这一过程称为降维。数据降维任务可以另外细分为特征提取和特征选择。特征选择包括从原始数据集中选择有效变量的子集。

将高维空间中的数据集转换为低维空间被视为特征提取。主成分分析是提取线性特征的最佳策略之一。在具有权重的自动编码器中, 有效地初始化是一种比主成分分析更好的工具, 可以减少数据维数。数据的降维通常在其他任务的预处理阶段执行, 以最大程度地减少计算复杂性并提高机器学习模型的性能。在性能成分分析中, 使用了无监督学习算法来减少分类之前数据的维数, 以提高执行效率和提高计算速度。