大三小学期进阶课程第三十三课：机器学习

第33课、机器学习

1. 机器学习里面存在一个普遍的假设，训练集和测试集是独立同分布的，如果测试和训练没有任何关系，测试效果是没有任何保证的。但是无人车感知的训练集是封闭的，而测试集是开放的。
2. 测试是在开放道路进行的，如果遇到新的障碍物，在训练中从来没见过，怎么处理？例如，在城市道路上很少见到卡车，但是高速会遇到很多卡车，而且卡车上的东西也很多，如果机器学习模型没见过这些障碍物，很有可能带来一些错误。
3. 无人车的安全需要可解释，出现一个Bad case需要说清责任，需要搞清Bad case是由什么原因导致的，以便改进。
4. 自动驾驶中深度学习模型需要更好的可解释性，归结为如何评估模型让用户知道模型是安全的？模型更新后如何做回归测试？模型的应用边界在哪里？目前，大家认为可解释性可以通过测试来体现，如果大量测试得到相同的结果，那么原理是不是真正的可解释也就没那么重要。
5. 在感知模块中，除了做基本的检测、分割之外，还有后处理阶段等由公式表示的几何计算问题，是不需要深度学习的。另外，Common sense也不需要深度学习，而且深度学习的效果不好，我们需要其他算法。那么，深度学习模型带来一个结果，其他启发算法给一个结果，怎么来融合？现在主要是基于Double check来提升安全性，还需要其他方法来进行更好的融合。
6. 除了深度学习还需要其他的机器学习方法。如果数据量小，特征很难从原始数据学习，深度学习的效果可能就受到影响，因此诸如SVM或者随机森林这些机器学习算法，可能需要结合场景选择。