【李宏毅机器学习2021】Task01 机器学习介绍

【李宏毅机器学习2021】本系列是针对datawhale《李宏毅机器学习-2022》的学习笔记。本次是对机器学习介绍的学习总结。本节通过学习视频了解到李老师对机器学习课程的整体安排，介绍了每个章节的侧重点，从回归开始，由有监督到半监督，无监督。以及后续的mata learning。整体介绍目前深度学习的学习大纲。讲解中也穿插了有多有趣的例子，容易接受同时也充满乐趣。希望在参加本次学习课程可以拓宽自己的知识面，打扎实基础理论，点满技能树，在丰富作业体系下提升自己的DLcoing能力。

课程链接：
19版：1-机器学习介绍_哔哩哔哩_bilibili

21版：(强推)李宏毅2021/2022春机器学习课程_哔哩哔哩_bilibili

目录

Task01 机器学习介绍

01-什么是机器学习

 02-教机器的几种方法

---

Task01 机器学习介绍

本节对15节课做整体介绍，也是对机器学习做整体介绍。

01-什么是机器学习

机器学习就是计算机自身构建方程，对送入的数据通过方程得到目标结果的过程。虽然李老师的课叫机器学习，但主要讲的是深度学习的内容啦~

 

针对深度学习的输入与输出也做了介绍，输入包括但不限于向量、矩阵、序列，输出包括但不限于点、分类、文章图像等等。

 02-教机器的几种方法

 

有监督 ：通过对数据集进行标记训练 

 

 

自监督：通过预训练进行预测，感觉是迁移学习吧= =  不太懂，虽然以前做过Fine-tune

 这个就好比有一个大模型，比如cfr1000训好，就可以拿过来到别的训练项目上，比如专门分狗的训练器上，坐下游任务。可以减少很多训练工作量。

无监督：

给出数据和标签自行匹配，代表算法就是GAN

 

RL：强化学习

和监督学习不同。主要解决不知道怎么标注资料的时候使用，比如教机器下围棋。一般用作电脑自己玩游戏 = =，就是自己训练自己玩电子游戏的AI

 

异常检测：

对异常数据，非标注数据的检测

 

可解释性：

为了更好的评价深度学习模型，更直观更容易理解。

 

 

 这里举的这个例子在讲可解释性的重要性，我觉得很有意义 = =。大概说一下就是李老师做了一个分类宝可梦和数码宝贝的分类器，但是精度到98%。想看看可解释性的表现情况，结果发现模型的敏感区域都是在图像四周！结果发现训练图中，宝可梦是黑色背景，数码宝贝白色！！！！绝了，这个问题对训练影响很大，但是不认真确实不好发现……希望大家做模型时不要本末倒置，先确保数据集的质量。对于学习还是研究都比较有警醒意义。

再补一下：最近Bilibili大佬子豪兄在做可解释机器学习的授课，大家可以去看看。还有一个两天搞定人工智能毕业设计的专栏。安利给大家。

模型攻击：

这里介绍深度学习被模型攻击后的一个例子，第十章会将这块。

 

domain adaptation：

领域自适应，主要讲出现预训练图像差异较大的数据出现时，模型怎么更好的适应这些看上去合理但其实不太好预测的数据。例如下面的彩色数字。

 

 Network Compression：

网络压缩，对大模型更好适应移动设备的解决方案。之前了解到的有剪枝和蒸馏，应该都在这里。

 Life-long Learning：

建立一个永久学习的模型……感觉是哲学课

 Meta learning：

机器自己学怎么学习，越来越离谱……

 本次学习就是以上的知识，总的来说李老师讲课还是很有趣的。期待后续课程~加油！！