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