大三小学期进阶课程第三十三课:机器学习

第33课、机器学习

  1. 机器学习里面存在一个普遍的假设,训练集和测试集是独立同分布的,如果测试和训练没有任何关系,测试效果是没有任何保证的。但是无人车感知的训练集是封闭的,而测试集是开放的。
  2. 测试是在开放道路进行的,如果遇到新的障碍物,在训练中从来没见过,怎么处理?例如,在城市道路上很少见到卡车,但是高速会遇到很多卡车,而且卡车上的东西也很多,如果机器学习模型没见过这些障碍物,很有可能带来一些错误。
  3. 无人车的安全需要可解释,出现一个Bad case需要说清责任,需要搞清Bad case是由什么原因导致的,以便改进。
  4. 自动驾驶中深度学习模型需要更好的可解释性,归结为如何评估模型让用户知道模型是安全的?模型更新后如何做回归测试?模型的应用边界在哪里?目前,大家认为可解释性可以通过测试来体现,如果大量测试得到相同的结果,那么原理是不是真正的可解释也就没那么重要。
  5. 在感知模块中,除了做基本的检测、分割之外,还有后处理阶段等由公式表示的几何计算问题,是不需要深度学习的。另外,Common sense也不需要深度学习,而且深度学习的效果不好,我们需要其他算法。那么,深度学习模型带来一个结果,其他启发算法给一个结果,怎么来融合?现在主要是基于Double check来提升安全性,还需要其他方法来进行更好的融合。
  6. 除了深度学习还需要其他的机器学习方法。如果数据量小,特征很难从原始数据学习,深度学习的效果可能就受到影响,因此诸如SVM或者随机森林这些机器学习算法,可能需要结合场景选择。

你可能感兴趣的:(大三小学期)