机器，你究竟学了些啥？(讨论式讲座)

机器学习、深度学习、监督学习、无监督学习、半监督学习、强化学习、逆强化学习、主动学习、归纳学习、传导性学习、直推学习、集成学习、增量学习、减量学习、积极学习、堕性学习、规则学习、元学习、联邦学习、度量学习、迁移学习、PU学习、在线学习、离线学习、多任务学习、多视图学习、多示例学习、多标签学习、标签分布学习、小样本学习、零样本学习、自监督学习、表示学习、对偶学习、字典学习、对比学习、宽度学习、自步学习、对等学习、持续学习、概念学习、偏好学习、预测学习、稀疏学习、PAC学习、流行学习、剩余学习、因果学习、自动化机器学习、可解释机器学习、对抗机器学习、代价敏感学习。

0. 灵魂拷问

• Where: 在哪里应用？从哪里获得数据？
• What: 想做什么事情？达到什么目的？
• How: 怎么做？
• Why: 为什么要做？为什么这样做？
• When: 什么时候做？
• Which: 选择哪个方法？

1. 数据

多标签学习、标签分布学习、多示例学习
小样本学习、零样本学习
强化学习、逆强化学习、
在线学习、离线学习

2. 场景

监督学习、无监督学习、半监督学习、主动学习、直推学习、
迁移学习、在线学习、离线学习、
增量学习、减量学习、
持续学习、

3. 问题

多任务学习、
概念学习、偏好学习、预测学习、
可解释机器学习、
因果学习、

4. 方法

深度学习
积极学习、堕性学习
自步学习
元学习、联邦学习、
集成学习、
PAC学习
对抗机器学习。
字典学习、对比学习、宽度学习

附

• Where
  从哪里 (应用背景) 学习, 从哪些数据学习?
  结构化数据、文本数据、音频数据、图视频数据、地震波数据
• What
  学习什么模型?
  决策树、分类超平面、回归曲线、规则集合、神经网络
• How
  如何学习? 使用什么方法?
  信息增益、权重
• Why
  为什么学习? 想拿来解决什么问题?
  标签难于获取: 主动学习减少标签需求量
  数据量大: 增量学习解决运行效率问题
  样本少: 迁移学习、小样本学习