未来学习的大框架
什么是机器学习?
机器自己找函数。
你想找什么函数?
Regression:回归分析,拟合曲线。从一系列数据集经过函数运算,输出一个具体的确定的数值
Binary Classification:二分类,一个输出只对应两个相反的结果。
Multi-class Classification:多类分类。一个输入对应多个输出。
除了上面的Regression 和Classification两种方式之外,机器还可以通过Generation的方式生成一些结果,即机器学习。
如何告诉机器,找什么样的函数?
Supervised Learning:监督学习,给机器输入一定的数据集,并且给数据集的单元贴标签“label”,告诉机器什么东西是什么。
机器根据函式做出判断,给出函式的loss(本次给出结果的错误率,也包含代价等)。
接下来机器会自动找出loss最低的函式。
Reinforcement Learning:强化学习
二者对比:
Supervised learning :明确告诉机器最优解,即给好label。
Reinforcement Learning:只判断最终结果的好坏,让机器自己去总结归纳过程中哪里做的好,从而最终归纳出最优解。
Unsupervised Learning:无监督学习。只给机器一堆数据,但是数据没有标注。
机器如何找到我们想让它找的函数?
- 给定函式寻找范围,让机器搜索
- 函式寻找方法:Gradient Descent梯度下降
前沿研究:
explainable AI:可解释 可说明的人工智能
Adversarial Attack:对抗攻击。当遇到一些针对机器的噪音(如给出的label讯息都是错的),导致机器认知错误。
Network Compression:网络压缩。有时候训练集庞大无比,普通电脑、手机或者edge device无法存放。需要这个技术将数据压缩,适应更小的设备。
Anomaly Detection:反常侦测。当数据集或者输入内容有一些奇怪的东西混入,如何教机器说“我不知道”。
Transfer Learning(Domain Adversarial Learning):转换学习。将一些输入格式不正确的数据转化成符合本机器学习的标准再做处理。
Meta Learning:让机器学习“学习”的能力。
Life-long Learning:终身学习
先记录到这里,下面要正式进行课程学习啦!加油!!!!!!!!!!!!!!!!!!!!!!!