Model-Agnostic Meta-Learning (MAML) 理解
模型不可知元学习(Model-Agnostic Meta-Learning, MAML)的目标是使模型每次的梯度更新更有效、提升模型的学习效率、泛化能力等，它可以被看做一种对模型进行预训练的方法，适用于小样本学习。 原文：http://proceedings.mlr.press/v70/finn17a/finn17a.pdf 其它理解可以看：https://zhuanlan.zhihu.co...
综述类论文_Machine Learning for Encrypted Malicious Traffic Detection（重要）
文章目录 Machine Learning for Encrypted Malicious Traffic Detection: Approaches, Datasets and Comparative Study摘要存在的问题论文贡献1. 基于机器学习的加密流量检测模型的总体框架1.1 Research Target（研究目标）1.2 Traffic Dataset Collection（流量数据集收...
【NLP】使用 BERT 和 PyTorch Lightning 进行多标签文本分类
少的资源并且在较小的（更）数据集上更准确。 在本教程中，您将学习如何： 将文本数据加载、平衡和拆分成集合标记文本（使用 BERT 标记器）并创建 PyTorch 数据集使用 PyTorch Lightning 微调 BERT 模型了解热身步骤并使用学习率调度程序在训练期间使用 ROC 下的面积和二元交叉熵来评估模型如何使用微调的 BERT 模型进行预测评估每个类的模型性能（可能的注释标记）我们的模型对有...
【Designing ML Systems】第 2 章 ：机器学习系统设计简介
如此，继续遵循当前以数据为中心的范式的 ML 人员会发现自己已经过时，如果不是失业的话。记笔记。” 18 教授的意见也比较温和斯坦福人工智能实验室主任克里斯托弗·曼宁 (Christopher Manning) 认为，简单的学习算法带来的巨大计算量和海量数据会造成非常糟糕的学习者。该结构使我们能够设计可以从更少的数据中学习更多的系统。19 如今，许多机器学习领域的人都属于数据重于思维的阵营。Richard...
【Designing ML Systems】第 1 章 ：机器学习系统概述
文章目录 2016 年 11 月，谷歌宣布将其多语言神经机器翻译系统整合到谷歌翻译中，标志着深度人工神经网络在大规模生产中的首批成功案例之一。1据 Google 称，通过此次更新，翻译质量的一次飞跃提升幅度超过了过去 10 年的总和。 深度学习的这种成功更新了对机器学习 (ML) 的广泛兴趣。从那时起，越来越多的公司转向机器学习来解决他们最具挑战性的问题。在短短五年内，机器学习几乎进入了我们生活的方方面...
Machine Learning Model
机器学习（Machine Learning）是一门数据驱动（Data-driven）的科学，所谓的 数据驱动 是指需要使用样本数据训练模型（train model），然后再使用训练好的模型预测新的数据；根据样本数据（一般也称为训练数据（train data））携带标签（labels）与否，做以下分类： 监督学习(supervised learning)：训练数据需要标签（labels），监督学习分为 分...
零样本学习—Learning to detect unseen object classes by between-class attribute
零样本学习 算法概要 前提 ( x 1 , l 1 ) , ⋯ ( x n , l n ) 为 训 练 样 本 x 和 相 应 类 别 标 签 l . 这 样 的 成 对 数 据 共 有 n 组 ， l 中 一 共 有 k 类 ， (x_1,l_1),\cdots (x_n,l_n)为训练样本x和相应类别标签l.这样的成对数据共有n组，l中一共有k类， (x1,l1),⋯(xn,ln)为训练样本...
【Designing ML Systems】第 9 章 ：生产中的持续学习和测试
文章目录 在第 8 章中，我们讨论了 ML 系统在生产中可能出现故障的各种方式。我们专注于一个特别棘手的问题，该问题在两位研究人员中引起了很多讨论和从业者：数据分布的变化。我们还讨论了检测数据分布变化的多种监控技术和工具。 本章是这个讨论的延续：我们如何使我们的模型适应数据分布的变化？答案是不断更新我们的机器学习模型。我们将首先讨论什么是持续学习及其挑战——剧透：持续学习在很大程度上是一个基础设施问题。...
深度强化学习中深度Q网络（Q-Learning+CNN）的讲解以及在Atari游戏中的实战（超详细 附源码）
别高维数据的能力，使得强化学习算法在处理高纬度状态空间任务中更加有效 一、DQN算法简介 1：核心思想 深度Q网络算法（DQN）是一种经典的基于值函数的深度强化学习算法，它将卷积神经网络与Q-Learning算法相结合，利用CNN对图像的强大表征能力，将视频帧视为强化学习中的状态输入网络，然后由网络输出离散的动作值函数，Agent再根据动作值函数选择对应的动作 DQN利用CNN输入原始图像数据，能够在不依...
Transductive Learning 和 Inductive Learning
简介 在 kipf-GCN 和 GraphSage 中，对 Transductive Learning 和 Inductive Learning 有了比较深刻的认识。 kipf-GCN 在其论文中提到算法属于 transductive node classification，也就是在训练节点embedding的时候要看到全图的节点，这是因为kipf-GCN使用了拉普拉斯矩阵。kipf-GCN 的半监督指...