机器学习就是让机器自动找函式。
好多情况下人是无法对某些关系进行找函数的,我们借助计算机的强大算力,进行找函数关系,从而得到合适的函数关系对某一内容进行函数关系转换从而达到人工智能的目的。
这些函数关系的输入输出可以是语音和文字;图片与识别类别,游戏的下一步操作,以及对话内容。
首先你得知道你想找什么函式:
Regression:想要找的函式输出是一个数值。
Binary Classification:想要输出值是Yes或No。
Multi-class Classifiction:对一个输入选择正确的分类。
Generation:生成有结构的复杂的东西,文字图片
Classification分类任务,包含了RNN(循环神经网络)[判断一个句子是正面的还是负面的,输出值是Yes或No],{加入Generation,可进行翻译任务,产生文句。Seq2Seq(序列到序列)};CNN(卷积神经网络)[对图片判断出其是哪一种类型的食物],{加入Generation,可进行二次元人物的创作。GAN(生成对抗网络)};
如何告诉机器我要找什么样的函式:
Supervised Learing(监督学习):给机器一些标注的数据,给出输入的正确输出。(对资料做标注Label)
机器会提供函式的Loss(损失函数),用于指出函数的错误率。loss越小越好。机器用某种方法自动找出loss最低的函式。
需要给机器数据集
Reinforcement Learning(强化学习):不需要数据集,机器自己进行比赛,赢了输了进行总结,输或赢叫做Reward,用于引导机器学习的优化目标。
Unsupervised Learning(无监督学习):一堆数据,但是没有标注。
给出函式的寻找范围:
Linear:线性
Network Architecture:网络结构
函式的寻找方法:
Gradient Descent:梯度下降法
其他具体分类:
Explainable AI:可解释AI,能够说出AI判断的原因,为什么这么判断。
Adversarial Attack:对抗攻击,如何使用杂讯对抗AI识别,使AI程序崩坏。
Network Compression:网络压缩,将一个庞大的网络压缩,放入手机或嵌入式设备中。
Anomaly Detection:异常检测,机器要知道自己无法分类或认知某一输入。
Transfer Learning:迁移学习,当测试和实际使用不一样时,仍有较强的能力。
Meta Learning:元学习,让机器学习出如何进行机器学习,让机器学习更加有效率。
Life-long Learning:终身学习,学完任务一学任务二,一直学习(Continuous Learning,Never Ending Learning,Incremental Learning)
Reinforcement Learning:强化学习,控制一个能够在某个环境下自主行动的个体,通过和环境之间的互动,不断改进它的行为。
注:
deadline:死线,截止日期