机器学习-监督，无监督，半监督，弱监督，多示例，迁移学习 and 元学习、少样本学习、零样本学习

1、几种监督方式（待完善）
监督，无监督，半监督，弱监督，多示例，迁移学习！
监督学习：多是分类问题，数据与标记有一一对应的关系
半监督学习：大量未标记数据和少量标签数据，
弱监督学习：

• 不完全监督：只有一部分训练数据具备标签；
• 不确切监督：训练数据只具备粗粒度标签；例如，在药物活性预测 [40] 的问题中，其目标是建立一个模型学习已知分子的知识，来预测一个新的分子是否适合制造一种特定药物。一个分子可以有很多的低能量形状，而这些分子是否能用于制药取决于这些分子是否具有某些特殊的形状。然而即使对于已知的分子，人类专家也仅知道该分子是否适合制药，而不知道其中决定性的分子形状是什么。
• 不准确监督：给出的标签并不总是真值。
  多示例学习：学习者不是接收一组单独标记的实例，而是接收一组带标签的包，每个包含许多实例。
  注：半监督与弱监督只是都从标记角度定义，但是涉及的算法不一样。
  无监督学习：已知数据没有任何标签，将所有数据映射到不同标签。适用于聚类
  迁移学习：对一些已有权重的提取，用于其他神经网络。
  区别于：预训练，预训练针对同一类问题。
  2、元学习、少样本学习、零样本学习(待完善)
  元学习的目标就是通过学习大量的任务，从而学习到内在的元知识，从而能够快速的处理新的同类任务，这和少样本学习的目标设定是一样的。
  零样本学习和少样本学习不一样的地方在于零样本学习不给样本，而是给出一个代表某一类物体语义的嵌入向量，我们要直接利用这个嵌入向量来对物体做分类。
  迁移学习和零样本学习都有Domain Adaption的问题，但是零样本学习的一个重要不同是目标类别可以是未见类别，或者更通俗的情况是未见类别和已知类别的组合。两者存在着一定交集。