机器学习课程笔记 0

1. 第0讲 概述

1.1 机器学习简单理解

通过各种方式寻找一种函数, 可以完成事物的转换。

1.2 深度学习简单理解

• 通过各种神经网络(Neural Network)的形式, 寻找函数。
• 输入多样, 输出多样。
  值:回归、类别:分类、区分:聚类。

1.3 学习方式

1. 监督学习 Supervised Learning
   利用具有“标签（label）”的样本进行学习。
2. 自监督学习 Self-supervised Learning
   先学习具有普适性的知识, 这些知识的参考可以没有标签, 作为基本功 Pre-train 上游, 然后进行 fine-tune 继续训练学习 Downstream Tasks。

3. 无监督学习

• 如生成式对抗网络 Generative Adversarial Network (GAN)
• 不需要成对数据, 就可以自动聚类和找关系。

4. 强化学习 Reinforcement Learning (RL)
   很难对任务的数据进行标签化。

1.4 异常检测 Anomaly Detection

异常检测，从定义而言就是一种识别不正常情况与挖掘非逻辑数据的技术。
可以根据输入的事物, 除了识别学习的事物, 也能检测出未学习的事物。

1.5 可解释的AI

让学习过程可视化, 可以理解机器是怎么学习事物的。

1.6 模型攻击 Model Attack

通过细微差别, 攻击模型, 让模型的结果出错。

1.7 领域自适应 Domain Adaptation

解决不同形式的输入输出适应关系。

1.8 神经网络压缩 Network Compression

压缩模型, 可以在更小的机器上使用。

1.9 终身学习 Life-long Learning

1.10 元学习 Meta Learning

学习如何学习。

下一篇 --> 机器学习课程笔记 1.1。