简介
本学期总共有15个作业(上图的15个标注每项作业满分10分,学期成绩以分数最高的前十个作业计算)
一、机器学习就是自动找函式
机器学习就是让机器自动地找一个函数,那些与人工智能有关的问题都可以想作是让机器自动的找出一个函数。例如:语音识别,找出一个函数,输出是语音信号,输出是语音识别的结果;图像识别,输入是一张图片,输出是图片里有什么样的东西;围棋游戏,输入是当前白子黑子所在位置,输出是下一步落子的位置;对话系统,输入是用户说的话,输出是机器的回应。
二、你想要什么样的函式?
回归(Regression): 函式输出是一个数值的任务。
分类(Classification):
- 二分类(Binary Classification):函式输出是有两种可能结果的任务。
- 多分类(Multi-class Classification):函式输出是有N种可能结果的任务。
生成(Generation): 生成有结构的复杂东西(例如:文句、圖片)
三、如何告诉机器你想要什么样的函式?
监督式学习(Supervised Learning)
- 需要给机器一些有标签的数据(Labeled data)进行学习,告诉机器你要找的函式理想的输出是什么。
- 接下来机器如何学习?提供给机器这些有标签的数据后,机器就可以评估一个函式的好坏,机器会给函式一个Loss,Loss越低代表函式越好。
- 接下来机器会自动找出Loss最低的函式。
强化学习(Reinforcement Learning)
强化学习 vs 机器学习:通过围棋比赛AlphaGo来对比
机器学习: 需要人为输入一个棋局,然后告诉机器下一步棋子应该落到哪里。
强化学习: 不需要告诉机器每一步应该落子哪里,可以让机器自己与自己或自己与别人来下棋,机器赢了就会知道在这一局中下的不错,输了就会想办法提高正确率。机器输或赢这件事就是reward,引导机器学习的方向。
无监督式学习(Unsupervised Learning)
仅提供给机器一些数据,这些数据没有标注。
四、机器怎么找出你想要的函式?
1. 给定函式寻找范围
2. 找出最好的函式,梯度下降法(Gradient descent)
五、前沿研究
1、可解释的人工智能(Explainable AI)
机器告诉我们为什么它识别一张图片是猫?
2、对抗攻击(Adversarial Attack)
恶意攻击人工智能系统,例如:为图片中恶意添加噪声,导致识别结果出错。
3、网络压缩(Network Compression)
将硕大的系统缩小,使得系统可以应用于手机或者更小的智能体当中。
4、异常检测(Anomaly Detection)
对不符合预期模式的项目、事件或观测值的识别。
5、迁移学习(Transfer Learning)
使用已有问题的解决模型,并将其利用在其他不同但相关问题上。
6、元学习(Meta Learning)
机器学习是让机器具有学习的能力,学习如何进行学习。
7、终身学习(Life-long Learning)
六、作业介绍