李宏毅机器学习课程速览

共十五讲内容

每讲都有作业

$$ Machine\space Learning \approx Looking\space for\space Function $$

函数输入可以是 向量、矩阵、序列 等

输出可以是 数值、类别、生成文本 等

该内容对应第1、2、3、4、5、6讲作业

Supervised Learning 监督学习

给定确定的输入、输出及其对应关系，训练模型使其可以做出预测。

该内容对应第1、2、3、4、5讲

Self-supervised Learning 自监督学习

找到一种通用的 Pre-train 方法，使得输入可以更多样、丰富。

Pre-train 也称为 Foundation Model

Pre-train 常见模型：BERT ELMo GPT-2 GPT-3 T5

该内容对应第7讲

Generative Adversarial Network 生成式对抗网络

给定确定的输入及输出，无对应关系，找到 function

该内容对应第6讲

Reinforcement Learning 强化学习

函数需要求解最优问题，但是不知道输出优劣，只有相关评判标准。

该内容对应第12讲

Anomaly Detection 异常检测

当函数收到意外的输入时，给出异常。

该内容对应第8讲

Explainable AI 可解释机器学习

使模型可以给出求解过程或者依据。

该内容对应第9讲

Model Attack 模型攻击

在输入中加入干扰，使函数误判。

该内容对应第10讲

Domain Adaptation 领域自适应

使模型可以适应不同模式的输入。

该内容对应第11讲

Network Compression 模型压缩

使模型体积减小。

该内容对应第13讲

Life long Learning 终身学习

使模型可以自行学习新的任务。

该内容对应第14讲

Meta Learning 元学习

让机器可以自行设计出机器学习算法。

该内容常常应用于 Few-shot Learning 少样本学习。

该内容对应第15讲