当前位置:首页 > 科技创新 >

人工智能之迁移学习【电竞下注平台极竞技】

编辑:电竞下注 来源:电竞下注 创发布时间:2021-01-10阅读89821次
  

电竞下注:深入自学重在特色,加强自学重在系统,转入自学重在适应环境。之前已经解释过人工智能的机器学习算法有前五类,请明确参考相关文章。今天,我们将重点讨论第六类——迁移学习。

电竞下注

_传统的机器学习是种瓜得瓜,种豆得豆,而进入自学可以举一反三,以牙还牙。人工智能的竞争,从算法模型的研发竞争,到数据和数据质量的竞争,这些平滑的模型和算法主要靠监督式自学来推动,而监督式自学对数据的渴求是极其强烈的,必须有海量数据(大数据)的支持才能超过精准拒绝。

而人工智能的发展趋向于不排斥海量数据,也超越精确排斥。因此,“小数据自学”正在成为一个新的热点。以转入自学、增强自学为代表的小数据自学技术,更能体现人工智能的未来。有专家表示,督导自学后,转入自学将引导下一波机器学习技术商业化。

自1995年第五届国际学生联合会研讨会明确提出自主学习的概念以来,它引起了学术界的广泛关注。移民自学的定义太明确了,涉及到很多专门的术语,比如学习学习、终身学习、多任务学习、元学习、诱导迁移、知识迁移、语境敏感学习等等。其中,自学和多任务学习的关系尤为密切。

多任务自主学习可以通过同时学习多个不同的任务来帮助单个任务的自主学习。什么是走向自学?传递学习(TL)是将训练好的模型参数传递给新模型,以辅助新模型的训练。考虑到大部分数据或任务都是不相关的,通过转入自学,已经教授的模型参数可以通过某种方式与新模型共享,从而减缓和优化模型的自学效率。

进入自学的基本动机:进入自学的基本动机是试图将一个问题提供的科学知识应用于另一个不同但涉及的问题。比如一个精通C语言编程的程序员,可以快速学习和掌握JAVA语言。

也许,机器学习中的自学和心理学中的自学能力有关。在人类进化过程中,自己搬进去学习的能力很重要。比如人类学骑自行车后更容易骑摩托车,学打羽毛球后自己学打网球就不太容易了。

人类可以将过去的科学知识和经验应用到不同的新场景中,使自己具备适应环境的能力。转入自学主要类别的方法:1)示例权重法:以某种方式从源域计算训练样本的权重,从而要求每个样本在训练过程中的重要性。2)联合特征自学习方法:通过多个联合特征在源域和目标域之间传递简单的科学知识。转入自学的重要性:1)从数据的角度:数据为王,计算为核心,但数据不够或收集数据耗时,数据标注困难,用数据训练模型复杂。

如何发展机器学习?转入自学仅限于小数据场景;2)从模型来看:云终端融合的模型应用广泛,必须明确兼容设备、环境、用户。个性化模型兼容很简单,必须有不同的方式处理用户隐私。

转入自学,适合个性化的方面。3)从应用角度:机器学习应用中的冷启动问题,推荐系统没有初始用户数据,无法准确推荐。转自学可以解决冷启动的问题。

电竞下注平台

转入自学可以增加对标定数据的依赖,机器学习任务可以通过转入和转出几个数据模型来更好的完成。 迁移自学构建方法:1)基于实例的迁移学习:在数据集(源字段)中找到与目标字段相似的数据,对该数据进行多次缩放,用目标字段的数据进行扩展。

其特点是:不同的例子必须加权;培训必须用数据进行。一般来说,样本的权重是展开的,最重要的样本被赋予较小的权重。2)基于特征的迁移学习:通过观察源域图像和目标域图像之间的关节特征,然后利用观察到的关节特征,在不同级别的特征之间自动移动。

在特征空间中移动时,源域和目标域的特征必须投影到同一特征空间。3)基于模型的迁移学习:用几千万幅图像训练一个图像识别系统,当遇到一个新的图像领域时,不再需要找几千万幅图像进行训练,可以将原来的图像识别系统移动到一个新的领域,所以几万幅图像在一定程度上需要在新的领域提供完全一样的效果。模型迁移的一个优点是可以区分,即可以与深度自学相结合,可以区分不同层次的迁移程度,相似度较低的层次更容易被迁移。

4) RelationalTransferLearning:使用源域自学习逻辑关系网络,然后应用到目标域。比如社交网络和社交网络之间的迁移。

迁移自学工具:NanoNets是一个非常简单方便的基于云的迁移自学工具,内部包含一套已经构建好的预训练模型,每个模型都有百万个训练好的参数。用户可以自行上传数据,也可以通过网络搜索。纳米网会根据要解决的问题自动选择最佳的预训练模型,并根据该模型创建一个与用户数据兼容的纳米网。

纳米网与真实训练模型的关系结构如下图和右图所示。转入自学与开发:1)结构与内容分离:当面对一个机器学习问题,试图寻找不同问题之间的共性时,问题的结构与内容是可以分离的。

电竞下注平台极竞技

这种分离虽然不容易,但一旦完成,系统的举一反三能力就非常强了。2)多层次特征自学:问题分为不同层次,有些层次更容易辅助机器学习的移民。有了这种分层次的移民自学,不同层次有不同的移民能力,对不同层次的移民能力有一个量化的估计。

新任务必须处理的时候,可以给同一个寄居者一些区域或者层次,其他区域可以用小数据训练,需要超过迁入和自学的效果。3)多步传递自学:从老领域向新领域移动,从数据多的领域向数据少的领域移动,称为单步移动。在很多场景下,需要分阶段进行多步传导移民,可以构建一个深度网络,网络的中间层可以兼顾问题域和原域。

电竞下注

如果有一些中间字段,它们可以逐步将原始字段与目标字段连接起来。可以定义两个目标函数。当两个目标函数协同工作时,一个优化最终目标,另一个自由选择样本。

通过这种递归,原始域中的数据将从多个步骤移动到目标域。4)自学习如何移入:在任何等价的移入的自学习问题中,系统都可以在以往尝试过的所有算法中自动找到合适的算法,可以是基于特征的,也可以是多层网络的,可以是样本的,也可以是某种混合的。或者总结经验,训练新算法。这个算法的老师就是所有这些机器学习算法,文章,经验,数据。

所以,如何入住的自学就像如何自学的自学一样,是自学的最低层次,也就是自学方法的提供。 5)自学为元学习:以自学为元学习方法,表现出不同的自学方式。假设以前有机器学习的问题或者模型,现在可以改成转入自学的模型,只要盖上转入自学的幌子。6)数据生成移民自学:对于生成性应对网络,图灵测试外的裁判是学生,里面的机器也是学生。

两个人的目的是在应对中共同茁壮成长,双方互相极大的刺激,构成了一种应对(共同自学的特点)。大量的模拟数据可以用小数据分解,通过模拟数据来判断是已知还是被骗,从而刺激生成模型的生长。通过小数据可以生成更好的数据,可以在新的领域构建转入自学的目的。

最近,自学技术在机器学习和数据挖掘领域获得了理解。结论:标志着近年来机器学习的热潮,走向自主学习成为目前最热门的研究方向。

机器学习未来的发展在于小数据、个性化、可靠性,也就是走向自学。走向自学体现了人类特有的转化能力,是一种“举一反三”的收敛思维。迁移自学已经广泛应用于各种人工智能机器学习场景中。。

本文来源:电竞下注-www.zacwillett.com

036-67020185

联系我们

Copyright © 2010-2014 防城港市电竞下注科技股份有限公司 版权所有  桂ICP备33408018号-2