PDF《www.pwccn.com》

2 简述:深度增强学习是一种通过观察、行动和奖励来与环境互动,从而进行学习的神经网络算法.它已 被用于游戏攻略等,如雅达利 (Atari) 和围棋,包括击败人类冠军的著名的"阿尔法狗"(AlphaGo) 等. 意义:获得深度增强学习能力是人工智能应用商业化的重要指标项之一,与其他技术相比,它只需要更 少的数据来培训其模型.更强大的是,它可以通过模拟获得训练,完全不需要标签化数据.鉴于这些优 势,预计未来一年将诞生更多将深度增强学习和基于智能体 (agent) 模拟相结合的商业应用. 深度增强学习:交互型问题解决之道

3 简述:生成对抗网络是一种由两个互相竞争的神经网络组成的无监督的深度学习系统――"生成网络" 产生看上去很像真实数据集的假数据,"判断网络"吸收真实和合成的数据.随着时间的推移,每个网 络都会得到改进,从而使两个网络都能够学习到给定数据集的整个分布情况. 意义:生成对抗网络进一步拓展了深度学习,使其能够处理更大范围的无监督任务,这些任务的标签化 数据要么不存在,要么过于昂贵而很难获得.生成对抗网络也减少了深度神经网络所需的负载,因为负 载由两个网络共同承担.预期可以看到更多的商业应用,例如使用生成对抗网络技术来做网络探测等. 生成对抗网络:网络配对促进训练,减轻处理负担

4 简述:机器学习(尤其是深度学习)遇到的最大挑战是需要大量使用标签化数据来训练系统.目前有两 种广泛使用的技巧可以帮助解决这个问题:(1)合成新的数据;

(2)将一个任务或领域的训练模型迁移 到另一个,例如"迁移学习"的技巧(把从一个任务/领域学到的经验迁移到另一个任务/领域),或 "一次学习"的技巧(极端化迁移学习,仅仅通过一个例子或没有相关例子的学习),由此使它们成为 "精简数据"学习技巧.同样的,通过模拟或内插合成新的数据有助于获取更多的数据,从而扩大现有 数据来改善学习. 意义:使用这些技巧,我们可以解决更多的问题,尤其是在历史数据较少的情况下.预期可以看到精简 和增强数据的更多变种,以及适用于更广泛商业问题的不同类型的学习技巧. 精简和增强数据学习:解决数据标签化挑战

5 普华永道

4 简述:不同类型的深度神经网络,譬如生成对抗网络和深度增强学习,在它们的效果和结合不同类型数 据的广泛应用方面显示出巨大的前景.不过,深度学习模型不能为不确定性的数据场景建模,而贝叶斯 概率方法却能够做到.混合学习模式结合了这两种方法,且能够充分利用每一种方法的优势.混合模型 的一些例子包括贝叶斯深度学习,贝叶斯生成对抗网络和贝叶斯条件生成对抗网络等. 意义:混合学习模式将商业问题的种类扩大到对不确定性进行深度学习.这可以帮助我们获得更佳效果, 提高模型的可解释性,从而鼓励更广泛的应用.我们将看到更多能够媲美贝叶斯法的深度学习方法,以 及概率编程语言能够更好地与深度学习相融合. 混合学习模式:结合算法优势解决不确定性问题

7 简述:开发机器学习模型是一项耗时长且必须由专家驱动的工作,包括数据准备、特征选择、模型或技 术选择、训练和调试等.自动机器学习旨在使用多种不同的统计学和深度学习算法来自动化这项工作. 意义:自动机器学习被视为人工智能工具"民主化"的一个部分,用户可以借助它在没有高级编程技能 的情况下开发机器学习模型.这将加快数据科学家创建模型的速度.我们将看到更多的商业化自动机器 学习包,以及自动机器学习与更广泛的机器学习平台的整合. 自动机器学习:无需编程即可创建模型