人工智能和小样本问题

《小样本机器学习Python算法与实践》

第1章 小样本问题与机器学习综述

数据、模型和算法三个维度阐述小样本问题总体解决思路；Tensorflow、Pytorch、PaddlePaddle和Scikit-learn机器学习范式和示例。

第2章 数据预处理和分析

机器学习坚持“数据为王”的理念，包括数据预处理（归一化、标准化、数据清洗和数据编码）、特征提取和转换（图像特征提取、傅里叶变换和信号稀疏表示）、数据降维和数据聚类（降维算法、特征选择和特征溯源）。

第3章 数据增强

传统数据增强(Smote、SamplePairing和Mixup等)；基于深度学习的数据增强(变分自编码器VAE、生成对抗网络GAN、流模型NF和扩散模型DiffusionModel)。

第4章 传统机器学习算法

单一算法(决策树、KNN、逻辑回归、支持向量机和朴素贝叶斯等)；集成算法(装袋元评估器和随机森林)；提升法(Adaboost和Xgboost)。

第5章 不完全监督学习

主动学习；传统半监督(标签传播和伪标签方法)；基于深度学习的半监督(基于生成模型的半监督(半监督GANs和半监督VAE)、一致性约束方法、伪标签方法和综合方法)。

第6章 迁移学习

pre-training + fine-tuning迁移；语言大模型(LLM)；多任务学习(MTL)；多标签学习(MLL)。

第7章 元学习

借助百度公司的PaddleFSL算法包主要介绍了基于度量的元学习算法(孪生神经网络模型、匹配网络、原型网络和关系网络)；基于优化的元学习算法(MAML和Reptile)。