深度学习是一个广阔的领域,它围绕着一种形态由数百万甚至数十亿个变量决定并不断变化的算法——神经网络。似乎每隔一天就有大量的新方法和新技术被提出来。不过,总的来说,现代深度学习可以分为三种基本的学习范式。每一种都有自己的学习方法和理念,提升了机器学习的能力,扩大了其范围。
本文最初发布于Towards Data Science博客,由InfoQ中文站翻译并分享。
深度学习是一个广阔的领域,它围绕着一种形态由数百万甚至数十亿个变量决定并不断变化的算法——神经网络。似乎每隔一天就有大量的新方法和新技术被提出来。
不过,总的来说,现代深度学习可以分为三种基本的学习范式。每一种都有自己的学习方法和理念,提升了机器学习的能力,扩大了其范围。
-
混合学习——现代深度学习方法如何跨越监督学习和非监督学习之间的边界,以适应大量未使用的无标签数据?
-
复合学习——如何以创造性的方法将不同的模型或组件连接起来,以生成一个大于各部分之和的复合模型?
-
简化学习——出于性能和部署目的,如何减少模型的规模和信息流,同时保持相同或更强的预测能力?
深度学习的未来在于这三种学习模式,而且它们彼此之间密切相关。
混合学习
这种范式试图跨越监督学习和非监督学习之间的界限。由于有标签数据缺乏且成本高,所以常常在业务上下文中使用。从本质上说,混合学习是对下面这个问题的回答:
原文链接:【https://www.infoq.cn/article/t8IWDd1MhgZtDEzC4y2K】。未经作者许可,禁止转载。