表徵學習
維基百科,自由的 encyclopedia
在機器學習中,特徵學習(feature learning)或表徵學習(representation learning)[1]是學習一個特徵的技術的集合:將原始數據轉換成為能夠被機器學習來有效開發的一種形式。它避免了手動提取特徵的麻煩,允許計算機學習使用特徵的同時,也學習如何提取特徵:學習如何學習。
此條目可參照英語維基百科相應條目來擴充。 |
機器學習任務,例如分類問題,通常都要求輸入在數學上或者在計算上都非常便於處理,在這樣的前提下,特徵學習就應運而生了。然而,現實世界中的數據,例如圖片、影片,以及感測器的測量值都非常的複雜、冗長又多變,如何有效的提取出特徵並且將其表達出來成為了一個重要挑戰。傳統的手動提取特徵需要大量的人力並且依賴於非常專業的知識。同時,還不便於推廣。這就要求特徵學習技術的整體設計非常有效,自動化,並且易於推廣。
特徵學習可以被分為兩類:監督的和無監督的,類似於機器學習。