目录
- 课程概述
- Lecture 1-5 Supervised Learning
- Lecture 7 Self-supervised Learning
- Lecture 6 Generative Adversarial Network
- Lecture 12 Reinforcement Learning
- Lecture 8 Anomaly Dectection 异常检测
- Lecture 9 Explainable AI
- Lecture 10 Model Attack 模型攻击
- Lecture 11 Domain Adaptation
- Lecture 13 Network Compression
- Lecture 14 Life-long Learning
- Lecture 15 Meta Learning（亦称 Few-shot learning）
课程概述
本专栏将开启李宏毅老师机器学习深度学习的课程学习，课程不仅用于自我记录，也希望能帮到更多志同道合的朋友，ok，废话少说，直接开始。
课程将总共划分为15讲，以下罗列的顺序按照李老师讲课顺序排列。
综述：
Machine Learning ≈ Looking for Function 也即寻找到一个只靠人力很难找到的函数
它的输入可以是向量、矩阵和序列，而经过函数处理后，可以得到一个标量，或者做到分类，甚至翻译等。
Lecture 1-5 Supervised Learning
Lecture 7 Self-supervised Learning
区别：相比较Supervised Learning 有一个明显的不同是，增加了pre-trained Model（预训练模型，典型的有Bert等），当经过训练后，遇到真正需要解决的任务（也称为 Downstream Tasks 下游任务）即可达到不错的解决效果。
李老师提到，pre-trained Model 和 Downstream Tasks就类比于OS与其Applications
注：pre-trained Model 亦称为 Foundation Model
Lecture 6 Generative Adversarial Network
不需要我们标注x1对应y1这样的关系，而是可以自动寻找关联的一种解决方案
Lecture 12 Reinforcement Learning
不知道如何标记时，只知道怎样定义成功时的一种解决方案
如：下围棋
Lecture 8 Anomaly Dectection 异常检测
即让机器回答：我不知道
Lecture 9 Explainable AI
让机器能解释自己的选择与输出
Lecture 10 Model Attack 模型攻击
李老师给了一张猫的两个图片，其中一张被识别为猫，另一张识别为海星，区别就在于第二张只是加了一点小小的杂点，为什么出现这样的现象，如何解决，这一节将会讲述
Lecture 11 Domain Adaptation
训练数据与测试数据极为相似，在测试数据上也能表现很好，但是换了新数据却正确率暴跌，为什么出现这样的现象以及如何解决？本节给出答案
Lecture 13 Network Compression
当运算资源有限的时候，很难在一些设备（如手表，无人机等）上跑巨大的模型，如何解决？
Lecture 14 Life-long Learning
为什么没有办法让机器不断学习不断进化？
Lecture 15 Meta Learning（亦称 Few-shot learning）
即机器如何自己学习，仅依靠少量数据便可自动获得演算算法