李宏毅ML01-Introduction

视频地址：ML Lecture 0-1: Introduction of Machine Learning
无干扰条件下，机器学习已经在各个方面超越人类，但面对干扰，机器还是很容易犯错。
机器学习能力约等于找到一个函数的能力。

机器学习的框架

机器学习的用途

• 回归
  找到回归方程（预测PM2.5）
• 分类
  二元分类（垃圾邮件过滤）和多分类（图片识别）
• 生成
  创造图片or文字

机器学习的分类

• 监督式学习
  使用打标签的数据集进行训练
• 半监督式学习
  同时使用标签和未标签的数据集进行训练
• 迁移学习
  对任务不相关数据的处理
• 增强学习
  从评价中学习，比如下一盘棋，不输入棋谱，只看结果。赢了是好结果，输了是坏结果，如此重复。

• 非监督式学习
  比如让机器从大量阅读材料中学习词语的意思

  
  
  机器学习的步骤

机器学习的下一步

1. 机器能不能知道“我不知道”
   比如在图像识别中，输入一个和训练集无关的图片，机器能不能知道这张图我不认识，还是说会强行把它套入算法中进行识别。
2. 说出为什么“我知道”
   机器的识别依据也许和人类不同。比如在一个训练识别马的实验中，某种机器学习模型更多的是依据图片左下角的来源label，因为所有训练集图片都是来自于同一个图库。
3. 机器的“错觉”
   熊猫的图片加上噪点之后可能被识别为长臂猿，这种情况发生在自动驾驶中可能是致命的，如何防止这样的“错觉”发生。

4. 终身学习
   人类可以不断学习新的技能，但机器一般对应每种任务都需要一个模型。如果使用同一个模型学习不同的任务，那么会导致之前的学习失效。

   
   
   如果使用同一个模型学习
5. 学习如何学习（元学习）
   机器是否能够编写出能够进行学习的程序？
6. 一定需要很多训练资料吗？
   以图片识别为例，机器能不能在没有看过一种动物之前，根据文字描述识别出这种动物。
7. 能不能缩短增强式学习的时间？
   alpha star玩了200多年的时间才能战胜人类，如何缩短这个时间。
8. 神经网络压缩
   比如通过剪枝把大的神经网络缩小，比如把参数二元化。
9. 如果训练资料和测试资料很不一样
   比如手写数字识别中，如果训练集是黑白的，将测试集换成彩色的，识别正确率将会从99.5%降低到57.5%