当前位置：首页 > 机器学习 > 正文

真实的机器学习失败案例的简单介绍

编辑小哥S
机器学习
2024-06-20 13:51:15
24

文章阐述了关于真实的机器学习失败案例，以及的信息，欢迎批评指正。

简述信息一览：

1、如何评价吴恩达的学术地位
2、机器学习中的Bias(偏差),Error(误差),和Variance(方差)有什么区别和...
3、机器学习的优缺点
4、机器学习的回归分析为什么不好用?
5、请问一个拟人的学习机器的价值?
6、教机器人最难的10件事

如何评价吴恩达的学术地位

首先我觉得Andrew Ng是偏工程一点的，你在google学术上搜machine learning，他确实排不到第一页，他在讲课的时候也说过他和他的学生发会议多一点。

“计算机和思想奖”的获得者。吴恩达是斯坦福大学计算机科学系和电子工程系副教授，人工智能实验室主任。吴恩达主要成就在机器学习和人工智能领域，他是人工智能和机器学习领域最权威的学者之一。

（图片来源网络，侵删）

吴恩达最知名的是，所开发的人工神经网络通过观看一周YouTube***，自主学会识别哪些是关于猫的***。这个案例为人工智能领域翻开崭新一页。吴恩达表示，未来将会在谷歌无人驾驶汽车上使用该项技术，来识别车前面的动物或者小孩，从而及时躲避。2007年，吴恩达获得斯隆奖（Sloan Fellowship）。

别人不说，我是很崇拜Andrew Ng的，也不是为了他的学术具体如何，而是他提倡在线免费教育，使得各个著名大学都把教学内容公开上网，造福了一代学子。话反过来说，就算他机器学习的学术地位不是世界第一，起码也是前五人。

吴恩达是在线教育平台Coursera的联合创始人，他在2008年发起了“Stanford Engineering Everywhere”（SEE）项目，将斯坦福的许多课程放到网上，供免费学习。吴恩达的成就还包括在多个领域的出版物，如深度学习、计算机视觉、自然语言处理等。他的研究成果在学术界和工业界都有广泛的应用。

（图片来源网络，侵删）

很难想象，学术出身的吴恩达是否能够做到这些事。另一方面也有人认为，吴恩达从斯坦福到谷歌百度，再到富士康的职业轨迹，是越混越不如从前了，Landing.ai应该被翻译成“接地气AI”。吴恩达在大企业中的就职经历本来就不算太顺遂，如今又贸然提出一个帮助制造业AI转型的大口号，听起来就有些不切实际。

机器学习中的Bias(偏差),Error(误差),和Variance(方差)有什么区别和...

1、感觉通过中文字面来理解会很容易造成误解，建议用英文来理解。偏差：bias 方差：varience 用打靶来解释，bias 描述的是瞄得准不准；varience 描述的是手稳不稳。

2、总的来说，偏差反映了模型的拟合能力，而方差则衡量了模型的稳定性。在实践中，我们更关注模型在未知数据上的表现，因此选择直线模型更符合我们的目标，因为它在预测性能上更为优秀。当然，完美的模型是偏差和方差都小的，但在现实问题中，我们需要在两者之间寻找平衡。

3、误差模型由三个部分组成：偏差、方差和数据本身的误差。详细如下：偏差（Bias）：偏差度量了学习算法的期望预测与真实结果的偏离程度，即刻画了算法本身的拟合能力。高偏差意味着模型无法很好地捕捉到数据的底层结构，导致预测结果与真实值相差较大。

4、偏差（bias）：偏差衡量了模型的预测值与实际值之间的偏离关系。通常在深度学习中，我们每一次训练迭代出来的新模型，都会拿训练数据进行预测，偏差就反应在预测值与实际值匹配度上，比如通常在keras运行中看到的准确度为96%，则说明是低偏差；反之，如果准确度只有70%，则说明是高偏差。

5、方差（Variance）、均方差（MSE）、均方误差（MAE）：指标家族，方差关注预测值与均值的差异，而标准差和标准误差则衡量单个数据点的分散程度。偏差在统计学中，例如在方差分析中，可能描述的是观测值与平均值的偏离程度，而在机器学习中，它更多地体现为预测结果与实际结果的偏离。

机器学习的优缺点

思想简单，容易实现。建模迅速，对于小数据量、简单的关系很有效。是许多强大的非线性模型的基础。线性回归模型十分容易理解，结果具有很好的解释性，有利于决策分析。能解决回归问题。缺点：对于非线性数据或者数据特征见具有相关性多项式回归难以建模。难以很好的表达高度复杂的数据。

机器学习中几个常见模型的优缺点朴素贝叶斯：优点：对小规模的数据表现很好，适合多分类任务，适合增量式训练。缺点：对输入数据的表达形式很敏感（连续数据的处理方式）。决策树：优点：计算量简单，可解释性强，比较适合处理有缺失属性值的样本，能够处理不相关的特征。

精准与效率的平衡选择机器学习模型时，首要考虑的是精度与实验效率的平衡。SVM以其高准确率著称，尤其是通过核函数处理非线性问题，但内存消耗较大。GBDT（如随机森林）则倾向于集成多个弱分类器，降低方差，提高稳定性能，但对数据量和特征选择要求较高。

机器学习的回归分析为什么不好用?

1、探索机器学习世界的基石，线性模型犹如一座桥梁，连接理论与实践。深入理解，首先从基本的线性回归说起，它像一个精密的尺子，通过最小化均方误差，优雅地测量属性间的关联。单变量的单元线性回归轻而易举，而多元线性回归则将这一原理扩展到多元世界的复杂性中。

2、ACF和PACF分别用两种方式衡量数据点与数据点之间的相关性时间序列对相关性的假设直接违背了回归分析的独立性假设。在多段时间序列预测中，一方面，对于未来预测的自变量可能无法真实的观察到，另一方面，随着预测越来越远，误差会逐渐积累：你对于长远未来的预测应该会比近期预测更不确定。

3、逻辑回归：y=sigmoid（wx）线性回归：y=wx 也就是逻辑回归比线性回归多了一个sigmoid函数，sigmoid（x）=1/（1+exp（-x），其实就是对x进行归一化操作，使得sigmoid（x）位于0~1 逻辑回归通常用于二分类模型，目标函数是二类交叉熵，y的值表示属于第1类的概率，用户可以自己设置一个分类阈值。

4、在统计学和机器学习中，误差和残差是两个常用的概念，虽然它们都表示实际值与预测值之间的差异，但是它们有不同的含义和应用场景。误差通常指的是预测值与真实值之间的差异，即预测值与真实值之间的绝对值或者平方差。例如，在回归分析中，误差是指每个样本的预测值和实际值之间的差异。

请问一个拟人的学习机器的价值?

也就是说，机器学习仅仅是大数据分析中的一种而已。尽管机器学习的一些结果具有很大的魔力，在某种场合下是大数据价值最好的说明。但这并不代表机器学习是大数据下的唯一的分析方法。

帮助还是比较大的，我孩子今年3岁，我给她买了个神通博士拟人智慧机器人，每天都跟着小机器人玩，也听机器人讲故事聊天什么的，以前不满足她要求的时候老是哭闹，现在跟她讲道理也讲得通了，有一个孩子更容易接受的好朋友陪着，她也更愿意跟着学习了。

如果人与人型机器人之间的互动模式与人类之间的相似，那么这些理论模型可以直接应用到机器人设计，推动人形机器人的发展。在更广泛的人型机器人学定义下，研究的领域更为广泛。它不仅局限于认知科学与电机工程的交叉研究，还包括机器人对社会影响的研究，以及人类对拟人化（anthropomorphi***）机器人的感知反应。

另一种方法是发展机器人学，它跟踪单个机器人在解决问题和其他功能方面的变化和发展。另一种新型机器人最近刚刚推出，它既可用作智能手机又可用作机器人，名为 RoboHon。随着机器人变得越来越先进，最终可能会有一个主要为机器人设计的标准计算机操作系统。

机器人对于不同性格利益相关性、价值取向、情感特征、个人爱好和专业特长等做出不同的反应，也有利于使用者掌握其性格脾气和功能特性，有利于在智能玩具和游戏中构筑拟人化的风格和更加逼真的场景。

异步策略元强化学习的优势尽管策略梯度强化学习算法可以在复杂的高维控制任务（如控制拟人机器人的运行）上实现高性能，但它们的样本效率仍然很低。