- 联邦学习
- 正常训练机器学习模型:将模型和数据都托管在同一设备上,我们称之为集中式机器学习
- 对于谷歌来说会将私人对话数据上传到谷歌服务器进行训练,这样会泄露隐私
- 它翻转了范式
- 将模型发送到我们的设备
- 然后我们在我们设备上本地训练这些模型
- 这意味着一旦我们训练了我们的数据,数据就永远不会离开我们的设备
- 然后将模型更新发送到服务器而不是将数据,服务器聚合来自每个设备的模型并更新全局模型
- 正常训练机器学习模型:将模型和数据都托管在同一设备上,我们称之为集中式机器学习
- 推荐系统
- 基于内容的过滤(Content Based Filtering)
- 基于内容相似度,不会考虑用户过去的行为
- 协同过滤(Collaborative Filtering)
- 基于用户过去的行为,利用群体的行为来做决策
- 基于内存的协同过滤
- 基于用户的协同过滤
- 基于内容的协同过滤
- 基于模型的协同过滤
- 混合推荐(Hybrid)
- 两者结合
- 基于内容的过滤(Content Based Filtering)
- 监督学习
- 拿各种各样的苹果让小朋友认识苹果。在人类和动物感知中,这通常被称为“概念学习”。
- 无监督学习
- 各种红色的物品(西红柿、苹果)归纳认识同一个属性“红色”。在人类行为中,这个过程被称为归纳推理。
- 增强学习
- 小朋友,通过考试得知自己错误的题目并单独重新解答得到正确的答案。
- 弱人工智能(或称应用人工智能)
- 计算机视觉
- 图像分类
- 物体检测
- 语义分割
- 视频分析
- 语音识别
- 自然语言处理
- 使用机器处理和运用自然语言处理
- 实现个性化的推荐系统
- 解决特定问题的专家系统
- 融合语音识别和自然语言处理
- 计算机视觉
- 推荐系统
- 一种信息过滤系统
- 协同过滤:通过数据找到与你相似的用户,通过他们的行为和他们喜欢的内容,为你推荐你可能感兴趣的物品或者内容
- 一种信息过滤系统
- 训练集:验证集:测试集 = 3:1:1
- 强化学习
- 主体就想蹒跚学步的孩子,主体每做出一次行动,环境就会改变给到一个反馈值,而主体就是尽可能让这个值更优。
科研入门概念
最新推荐文章于 2024-07-10 11:21:17 发布