首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >春节充电系列:李宏毅2017机器学习课程学习笔记21之结构化学习(Structured learning)介绍篇

春节充电系列:李宏毅2017机器学习课程学习笔记21之结构化学习(Structured learning)介绍篇

作者头像
WZEARW
发布2018-04-13 14:12:01
9230
发布2018-04-13 14:12:01
举报
文章被收录于专栏:专知专知

【导读】我们在上一节的内容中已经为大家介绍了台大李宏毅老师的机器学习课程的支持向量机support vector machine,这一节将主要针对讨论Structured learning-introduction。本文内容涉及机器学习中Structured learning-introduction的若干主要问题:structured learning简介,应用以及Unified Framework。话不多说,让我们一起学习这些内容吧。

春节充电系列:李宏毅2017机器学习课程学习笔记01之简介

春节充电系列:李宏毅2017机器学习课程学习笔记02之Regression

春节充电系列:李宏毅2017机器学习课程学习笔记03之梯度下降

春节充电系列:李宏毅2017机器学习课程学习笔记04分类(Classification)

春节充电系列:李宏毅2017机器学习课程学习笔记05之Logistic 回归

春节充电系列:李宏毅2017机器学习课程学习笔记06之深度学习入门

春节充电系列:李宏毅2017机器学习课程学习笔记07之反向传播(Back Propagation)

春节充电系列:李宏毅2017机器学习课程学习笔记08之“Hello World” of Deep Learning

春节充电系列:李宏毅2017机器学习课程学习笔记09之Tip for training DNN

春节充电系列:李宏毅2017机器学习课程学习笔记10之卷积神经网络

春节充电系列:李宏毅2017机器学习课程学习笔记11之Why Deep Learning?

春节充电系列:李宏毅2017机器学习课程学习笔记12之半监督学习(Semi-supervised Learning)

春节充电系列:李宏毅2017机器学习课程学习笔记13之无监督学习:主成分分析(PCA)

春节充电系列:李宏毅2017机器学习课程学习笔记14之无监督学习:词嵌入表示(Word Embedding)

春节充电系列:李宏毅2017机器学习课程学习笔记15之无监督学习:Neighbor Embedding

春节充电系列:李宏毅2017机器学习课程学习笔记16之无监督学习:自编码器(autoencoder)

春节充电系列:李宏毅2017机器学习课程学习笔记17之深度生成模型:deep generative model part 1

春节充电系列:李宏毅2017机器学习课程学习笔记18之深度生成模型:deep generative model part 2

春节充电系列:李宏毅2017机器学习课程学习笔记19之迁移学习(Transfer Learning)

春节充电系列:李宏毅2017机器学习课程学习笔记20之支持向量机(support vector machine)

课件网址:

http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17_2.html

http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html

视频网址:

https://www.bilibili.com/video/av15889450/index_1.html

李宏毅机器学习笔记20 Structured learning-introduction

之前的所有模型输入输出都为vector,当输入输出变成有结构性的东西时,这时候被称为structured learning。有结构性的东西很多,比如句子,列表,树等。

1.structured learning简介



2.应用



Structured learning应用十分广泛

Structured learning在训练过程中就是训练F,这个F表明x和y有多匹配

例如当structured learning应用在物体探测的时候,我们需要用一个边界框表明出这个物体在图像中正确的位置。例如下图我们要侦测出凉宫春日(轻小说《凉宫春日系列》中女主角)。

这时候我们就用一个框探测不同位置,框在不同位置f会给出不同值

Structured learning还可以应用在文章总结中

不同的总结(y),f会给出不同的值。正确的总结y值相对高,错误的总结y值相对低

Structured learning还可以应用在检索中,输入一个关键词,输出一系列网页

在inference阶段和上述类似

Structured learning其实也可以从统计角度来理解,F(x,y)也可以理解为估计x,y一起出现的几率P(x,y)

但概率模型有好处也有坏处,好处当然是容易理解,坏处就是概率模型不能表示一切东西,并且0-1限制也没有必要

3.Unified Framework



在structured learning这个框架中有三个问题

第一个是F(x,y)应该是什么样的

第二个问题是怎么解决arg max问题

第三个问题是给定数据集如何得到F(x,y)

下面是三个问题的总结

后台回复“LHY2017” 就可以获取 2017年李宏毅中文机器学习课程下载链接~

-END-

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2018-03-07,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 专知 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档