机器学习基本概念

Posted 2020-11-26 alivinfer

机器学习可分为：有监督（Supervised Learning）、无监督（Unsupervised Learning）、强化学习(Reinforcement Learning)

1. 有监督学习：数据集包含样本 x 与标签 y ，训练时，通过计算模型的预测值与真实标签 y 之间的误差来优化网络参数 ??，使得网络下一次能够预测更精准

   常见的有监督学习算法：线性回归、逻辑回归、支持向量机、随机森林等

2. 无监督学习：对于只有样本 x 的数据集，算法需要自行发现数据的模态。其中有一类将自身作为监督信号（自监督学习(Self-supervised Learning)），即模型需要学习的映射为：
   [ f_ heta:x->x ]
   在训练时，通过计算模型的预测值与自身 x 之间的误差来优化网络参数 ??

   常见无监督学习算法：自编码器、生成对抗网络等

3. 强化学习：通过与环境进行交互来学习解决问题的策略的一类算法

   常见强化学习算法：DQN 、PPO等

深度学习（Deep learning）

发展时间线：

特点：

• 数据量
• 计算力
• 网络规模
• 通用智能：设计出一种能像人脑一样可以自动学习，自我调整

深度学习应用：

1. 计算机视觉（CV）
   • 图片识别（Image Classfication）：分类问题，神经网络输入为图片数据，输出为当前样本每个类别的概率。经典网络模型由 VGG 系列、Inception 系列、ResNet 系列等
   • 目标检测（Object Detection）：通过算法自动检测出图片中常见物体的大致位置，常用边界框（Bounding box）表示，并分类出边界框中物体的类别信息，常见的目标检测算法有 RCNN，Fast RCNN，Faster RCNN，Mask RCNN，SSD,YOLO 系列 等。
   • 语义分割（Semantic Segmentation）：通过算法自动分割并识别出图片中的内容，可以 将语义分割理解为每个像素点的分类问题，分析每个像素点属于物体的类别。常见的语义分割模型有 FCN，U-net，SegNet，DeepLab 系列等
   • 视频理解（Video Understanding）：常见任务有视频分类，行为检测，视频主体抽取等。常用的模型有 C3D，TSN，DOVF，TS_LSTM 等
   • 图片生成（Image Generation）:通过学习真实图片的分布，并从学习到的分布中采样而获 得逼真度较高的生成图片。目前主要的生成模型有 VAE 系列，GAN 系列等。
2. 自然语言处理（NLP）
   • 机器翻译（Machine Translation）：常用的机器翻译模型有 Seq2Seq，BERT，GPT， GPT-2 等。
   • 聊天机器人（Chatbot）：通过机器自动与 人类对话，对于人类的简单诉求提供满意的自动回复，提高客户的服务效率和服务质量。
   • 文本风格迁移（Text Style Transfer）：在不改变文本内容的前提下，将文本的风格转换成另一种风格（如将positive-->negative）,常用模型有 GAN系列等
   • 摘要提取
3. 强化学习
   • 虚拟游戏 ：目前常用的虚拟游戏平台有 OpenAI Gym， OpenAI Universe，OpenAI Roboschool，DeepMind OpenSpiel，MuJoCo 等，常用的强化学 习算法有 DQN，A3C，A2C，PPO 等。
   • 机器人（Robotics）
   • 自动驾驶（Autonomous Driving）

主流框架

• Scikit-learn ：一个完整的面向机器学习算法的计算库，内建了常见的传统机器学习算 法支持，文档和案例也较为丰富，但是 Scikit-learn 并不是专门面向神经网络而设计 的，不支持 GPU 加速，对神经网络相关层实现也较欠缺。
• Caffe：主要面向使用卷积神经网络的应用场合，并 不适合其他类型的神经网络的应用。Caffe 的主要开发语言是 C++，也提供 Python 语 言等接口，支持 GPU 和 CPU。2017 年 Facebook 推出了 Caffe 的升级版本 Cafffe2，Caffe2 目前已经融入到 PyTorch 库中。
• PyTorch：以 Python 作为主要开发语言，采用命令式编程，使得搭建网络和 调试网络非常方便
• Keras：基于 Theano 和 TensorFlow 等框架提供的底层运算而实现的高层框架， 提供了大量方便快速训练，测试的高层接口，对于常见应用来说，使用 Keras 开发效率非常高。但是由于没有底层实现，需要对底层框架进行抽象，运行效率不高，灵活性一般。
• TensorFlow：2019 年，Google 推出 TensorFlow 2 正式版本，将以动态图优先模式运行，从而避免TensorFlow 1.x 版本的诸多缺陷（符号是编程开发和调试困难等）

目前来看，TensorFlow 拥有完备的解决方案和用户基础，在工业界使用广泛；PyTorch 得益于其精简灵活的接口设计，可以快速设计调试网络模型，在学术界应用广泛。