一、Machine Learning Approach标准机器学习流程

• Train ML algorithm（训练机器学习算法）：基于收集的数据训练机器学习模型。

二、Machine Learning for Adaptation（适应性机器学习）

加入了数据更新和自动化的部分，表示模型能够自动适应新的数据并持续改进，是一个更加灵活的学习过程

三、Learn with Machine Learning（机器学习中的学习）

强调迭代和持续学习，通过不断的反思和调整，来更好地理解问题并优化模型。

• Train ML algorithm（训练机器学习算法）：机器学习需要用数据训练模型。

• Inspect the solution（检查解决方案）：检查机器学习模型提供的解决方案，确保其准确性。

• Iterate if needed（如有需要可迭代）：如果发现模型有缺陷或未达到预期，可以进行调整和重新训练。

• Understand the problem better（更好地理解问题）：通过不断的训练与反馈，深入理解问题本质。

四、Label & Machine Learning

• Supervised Learning（监督学习）：这种方法依赖于标签数据，通过已标记的训练数据来预测未知数据的标签。

• Semi-Supervised Learning（半监督学习）：部分数据是带标签的，部分数据没有标签，通过半监督学习利用未标记数据提高模型的准确性。

• Unsupervised Learning（无监督学习）：完全没有标签的数据，模型通过数据的内在结构来进行分组或分类。

五、Machine Learning Tasks

• Classification（分类）：将数据分配到不同的类别中。（垃圾邮件识别）

• Clustering（聚类）：模型根据数据的相似性来分组。没有预先定义的类别（市场细分）

• Regression（回归）：预测连续数值（房价预测、股票预测）

• Anomaly detection（异常检测）：识别数据中的异常值或不符合预期的数据。

• Generation（生成）：根据已有数据生成新数据。（图像生成、文本生成）

六、Challenges for AI System

• Insufficient data（数据不足）：数据量不足可能会导致模型训练不充分。

• Nonrepresentative Training Data（非代表性训练数据）：训练数据可能不能代表实际问题，导致模型效果不佳。

• Poor data quality（数据质量差）

• Irrelevant Features（无关特征）：特征选择不当可能会引入噪声，影响模型表现。

• Overfitting（过拟合）：模型过于复杂，导致在训练数据上表现很好，但在新数据上表现不佳。

• Underfitting（欠拟合）：模型过于简单，无法捕捉到数据中的复杂模式。

• Data Mismatch (Data Domain)（数据不匹配）：训练数据与实际数据领域不匹配，导致模型效果差。