深度学习 -> 强化学习 ->迁移学习（杨强教授报告）

最新推荐文章于 2024-06-03 01:08:01 发布

帅气的弟八哥

最新推荐文章于 2024-06-03 01:08:01 发布

阅读量3.8w

点赞数 21

分类专栏：机器学习深度学习 Transfer Learning 文章标签：深度学习

本文链接：https://blog.csdn.net/jiandanjinxin/article/details/54133521

版权

本文介绍了深度学习的局限性，包括表达能力限制和缺乏反馈机制，并提出强化学习和迁移学习作为解决方案。强化学习是智能系统通过与环境互动最大化奖励信号的学习，而迁移学习则解决数据量大小和有偏数据的问题，通过模型在不同领域的迁移应用。文中还探讨了四种迁移学习的方法：样本迁移、特征迁移、模型迁移和关系迁移，并指出它们在解决小数据和个性化问题上的潜力。

摘要由CSDN通过智能技术生成

李宏毅机器学习课程－Transfer Learning
深度学习 -> 强化学习 ->迁移学习（杨强教授报告)

链接: http://pan.baidu.com/s/1nu6DMRn 密码: an9q
深度学习的局限

表达能力的限制。因为一个模型毕竟是一种现实的反映，等于是现实的镜像，它能够描述现实的能力越强就越准确，而机器学习都是用变量来描述世界的，它的变量数是有限的，深度学习的深度也是有限的。另外它对数据的需求量随着模型的增大而增大，但现实中有那么多高质量数据的情况还不多。所以一方面是数据量，一方面是数据里面的变量、数据的复杂度，深度学习来描述数据的复杂度还不够复杂。

缺乏反馈机制。目前深度学习对图像识别、语音识别等问题来说是最好的，但是对其他的问题并不是最好的，特别是有延迟反馈的问题，例如机器人的行动，AlphaGo下围棋也不是深度学习包打所有的，它还有强化学习的一部分，反馈是直到最后那一步才知道你的输赢。还有很多其他的学习任务都不一定是深度学习才能来完成的。

针对深度学习的局限性，或许强化学习和迁移学习能够解决相应的问题。

这里写图片描述

强化学习是什么？

强化学习（Reinforcement Learning），就是智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大。
强化学习不同于连接主义学习中的监督学习，主要表现在教师信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少，RLS必须靠自身的经历进行学习。
通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境。

之前ALPHGO 大战李世石 4:1

这里写图片描述