文的自动分类 半监督学习 - 介于监督学习和无监督学习之间，算法: Graph Inference 或者Laplacian SVM 强化学习- 通过观察来学习做成如何的动作, 算法：Q-Learning以及时间差学习 机器学习－ 方法及流程 输入特征选择 – 基于什么进行预测 目标 – 预测什么 预测功能 – 回归、聚类、降维... Xn -> F(xn) -> T(x) 机器学习－ (NYU,2002), Facebook AI, Google Deepmind Theano (University of Montreal, ~2010), 学院派 Kersa, “Deep Learning library for Theano and TensorFlow” Caffe (Berkeley)，卷积神经网络,贾扬清 TensorFlow (Google) Spark MLLib

NeurIPS 2021 ｜ Twins：重新思考高效的视觉注意力模型设计 339 目录 iv > 2022年美团技术年货 美团获得小样本学习榜单 FewCLUE 第一！ Prompt Learning+ 自训练实战 353 DSTC10 开放领域对话评估比赛冠军方法总结 368 KDD 2022 | 美团技术团队精选论文解读 382 ACM SIGIR 2022 | 美团技术团队精选论文解读 ConvNets Great Again, https://arxiv.org/ pdf/2101.03697 [5] CSPNet: A New Backbone that can Enhance Learning Capability of CNN, https://arxiv.org/abs/1911.11929 [6] Path aggregation network for instance abs/2103.14259 [8] Computer Architecture: A Quantitative Approach [9] SIoU Loss: More Powerful Learning for Bounding Box Regression, https:// arxiv.org/abs/2205.12740 6. 作者简介 楚怡、凯衡、亦非、程孟、秦皓、一鸣、红亮、林园等，均来自美团基础研发平台

相对于机器学习，严重依赖于高端机，大量的 GPU 运算 • 高端机的成本高 开发工具 • 复杂的工具链 • 搭建环境花费时间 深度学习 à Azure Machine Learning 开发工具 à Azure Notebook Azure Machine Learning • 拥有不同运算性能的机器 • 降低成本，按需付费 • 支持不同的开源框架：TenserFlow、PyTorch、MXNet 等 Azure Azure Machine Learning SDK 2. 连接到 Azure Machine Learning 的 Workspace 3. 创建远程运算资源 4. 上传训练数据 5. 准备 training script 6. 把 training 任务提交到 Azure Machine Learning 1. 安装 Azure Machine Learning SDK 2. 连接到 连接到 Azure Machine Learning 的 Workspace 3. 创建远程运算资源 —— NC6 GPU machines 4. 上传训练数据 5. 准备 training script 6. 把 training 任务提交到 Azure Machine Learning 1. 创建 experiment 2. 创建 PyTorch estimator 3. 提交 training

Issues 页面提交： https://github.com/dragen1860/Deep-Learning-with-PyTorch-book/issues ❑ 本书主页，以及源代码，电子书下载，正式版也会在此同步更新： https://github.com/dragen1860/Deep-Learning-with-PyTorch-book ❑ 姊妹书《TensorFlow 深度学习—深入理解人工智能算法设计》： 图 1.1 人工智能、机器学习、神经网络和深度学习 1.1.2 机器学习 机器学习可以分为有监督学习(Supervised Learning)、无监督学习(Unsupervised Learning)和强化学习(Reinforcement Learning，简称 RL)，如图 1.2 所示。 机器学习 有监督学习 无监督学习 强化学习 图 1.2 机器学习的分类 有监督学习 的数据集，算法需 要自行发现数据的模态，这种方式叫作无监督学习。无监督学习中有一类算法将自身作为 监督信号，即模型需要学习的映射为??: ? → ?，称为自监督学习(Self-supervised Learning)。在训练时，通过计算模型的预测值??(?)与自身?之间的误差来优化网络参数?。 常见的无监督学习算法有自编码器、生成对抗网络等。 强化学习 也称为增强学习，通过与环境进行交互来学习解决问题的策略的一类算法。

2016~Now 2010~Now AIIDE IEEE CIG SSCAIT Reinforcement Learning Agent Environment Action Observation Reward Goal Deep Reinforcement Learning What is next? • All above are single AI agent • But Multiagent Bidirectionally-Coordinated Net (BiCNet) Neuroscience Hypothesis Source: Reinforcement Learning – An Introduction Architecture Overview https://github.com/alibaba/gym-starcraft Coordinated Ultralisk Hierarchical Reinforcement Learning Strategy & Planning Combat Economy Information Imitation Learning Supervised Learning Reinforcement Learning Continual Learning Source: Overcoming catastrophic

Supervised Learning https://towardsdatascience.com/supervised-vs-unsupervised-learning-14f68e32ea8d Massive Unlabeled data Unsupervised Learning https://medium.com/intuitionmachine/predictive-learning-is- the-key-to-deep-learning- acceleration-93e063195fd0 Why needed ▪ Dimension reduction ▪ Preprocessing: Huge dimension, say 224x224, is hard to process ▪ Visualization: https://projector.tensorflow.org/ Compression, denoising, super-resolution … Auto-Encoders https://towardsdatascience.com/applied-deep-learning-part-3-autoencoders- 1c083af4d798 https://towardsdatascience.com/a-wizards-guide-to-adversarial

hine learning，ML）是一类强大的可 以从经验中学习的技术。通常采用观测数据或与环境交互的形式，机器学习算法会积累更多的经验，其性能 17 也会逐步提高。相反，对于刚刚所说的电子商务平台，如果它一直执行相同的业务逻辑，无论积累多少经验， 都不会自动提高，除非开发人员认识到问题并更新软件。本书将带读者开启机器学习之旅，并特别关注深度 学习（deep learning，DL）的基 动可以调整程序的行为。任一调整参数后的程序被 称为模型（model）。通过操作参数而生成的所有不同程序（输入‐输出映射）的集合称为“模型族”。使用数 据集来选择参数的元程序被称为学习算法（learning algorithm）。 在开始用机器学习算法解决问题之前，我们必须精确地定义问题，确定输入（input）和输出（output）的性 质，并选择合适的模型族。在本例中，模型接收一段音频作为 从英语映射到中文，可能需要一个完全不同的模型族。 但如果模型所有的按钮（模型参数）都被随机设置，就不太可能识别出“Alexa”“Hey Siri”或任何其他单 词。在机器学习中，学习（learning）是一个训练模型的过程。通过这个过程，我们可以发现正确的参数集， 从而使模型强制执行所需的行为。换句话说，我们用数据训练（train）模型。如 图1.1.2所示，训练过程通常 包含如下步骤：

mlmodel VisionFeaturePrint_Scene 只存在于 iOS 12, macOS 10.14 Vision 框架背后的特征提取 17KB in Demo Transfer Learning ✅ VisionFeaturePrint_Scene ? VisionFeaturePrint_Screen Core ML Community Tools visionFeaturePrint Machine Learning for iOS https://github.com/alexsosn/iOS_ML Apple Machine Learning Journal https://machinelearning.apple.com Kraggle https://www.kaggle.com Machine Learning (Turi) - Coursera https://coursera.org/specializations/machine-learning Deep Learning with Python https://www.manning.com/books/deep-learning-with-python 谢谢！: ] @onevcat, me@onev.cat

线性不可分支持向量机 4 1.支持向量机概述 支 持 向 量 机 （ Support Vector Machine, SVM ） 是 一 类 按 监 督 学 习 （ supervised learning）方式对数据进行二元分类的广义线性 分类器（generalized linear classifier），其决 策边界是对学习样本求解的最大边距超平面（ maximum-margin hyperplane） 28 参考文献 [1] CORTES C, VAPNIK V. Support-vector networks[J]. Machine learning, 1995, 20(3): 273–297. [2] Andrew Ng. Machine Learning[EB/OL]. StanfordUniversity,2014.https://www.coursera.org/course/ml Tibshirani R., Friedman J. The Elements of Statistical Learning[M]. New York: Springer,2001. [5] CHRISTOPHER M. BISHOP. Pattern Recognition and Machine Learning[M]. New York: Springer,2006. [6] Stephen Boyd

ine_learning_algorithms#/media/File:Moving_From_unknown_to_known_feature_spaces_based_on_TS-ELM_with_random_kernels_and_connections.tif https://commons.wikimedia.org/wiki/Category:Machine_learning_alg ELM_with_random_kernels_and_connections.tif https://commons.wikimedia.org/wiki/Category:Machine_learning_algorithms#/media/File:OPTICS.svg May be re-distributed in accordance with the terms of the CC-SA en © 2018 Bloomberg Finance L.P. All rights reserved. Table Detection Is Object Detection Deep learning has yielded rapid advancements in computer vision © 2018 Bloomberg Finance L.P. All rights reserved