表征学习

文章目录

机器学习领域，表征学习（或特征学习）是一种技术的集合 将原始数据转换成为能够被机器学习有效开发的数据 特征学习算法出现前，研究人员需要利用手动特征工程（manual feature learning）从原始数据的领域知识（domain knowledge）建立特征+算法。手动特征工程困难、昂贵、耗时、并依赖于强大专业知识。特征学习弥补了这一点，它使得机器不仅能学习到数据的特征，并能利用这些特征来完成一个具体的任务。

 

预测性学习（Predictive Learning）:通过学习原始数据预测某个观察结果表征学习：学习数据的底层结构（underlying structure），从而分析原始数据的其它特性。表征学习允许计算机学习使用特征的同时，也学习如何提取特征：学习如何学习。在机器学习任务中，输入数据例如图片、视频、语言文字、声音等都是高维且冗余复杂，传统的手动提取特征已变得不切合实际，所以需要借助于优秀的特征学习技术。

 

类似于机器学习，特征学习可以被分为两类：监督式特征学习（Supervised Representation Learning）和无监督式特征学习（Unsupervised Representation Learning）。在监督特征学习中，被标记过的数据被当做特征用来学习。 例如神经网络（Neural Networks），多层感知器（Multi-Layer Perception），监督字典学习（Supervised Dictionary Learning）。 在无监督特征学习中，未被标记过的数据被当做特征用来学习。 例如无监督字典学习（Unsupervised Dictionary Learning），主成分分析（Principal Component Analysis），独立成分分析（Independent Component Analysis），自动编码（Auto-encoders），矩阵分解（Matrix Factorization） ，各种聚类分析（Clustering）及其变形。