科研入门概念

• 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
• 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
• 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
• 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
• 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。