中国人工智能学会通讯——弱监督机器学习的研究进展

简介:

image

在过去4~5年中,AI在日本发展得非常快,这也让我能有机会出版了相关的教科书,其中一本翻译成了中文——《图说机器学习》。其实我看得懂中文,所以我觉得今天演讲的中文标题的翻译是很准确的。

下面我所要讲的东西和今天大会的主题非常契合。

image

昨天漆远谈到了金融领域的机器学习,从大数据的角度来看,它是机器学习很重要的研究领域,并且目前还是非常的成功,我也一直对基于大数据来做机器学习这件事情非常感兴趣。然而,现在对于很多的应用领域而言是无法获取大规模的标注数据的,比如医药、制造业、防灾等领域。当数据量不够时,我们需要相应的机器学习方法来应对。

今天我会讲一些关于小数据的研究进展,我的演讲和其他的演讲者相比会更没有那么的技术性,希望大家可以了解一下小数据分类的研究状况,其中还是有一些让人欣喜的研究进展。

相关文章
|
1天前
|
机器学习/深度学习 人工智能 自然语言处理
|
3天前
|
机器学习/深度学习 人工智能 算法
理解机器学习:AI背后的驱动力
【7月更文第15天】在人工智能的广阔领域中,机器学习作为核心驱动力,正以前所未有的速度推动着技术革新和产业升级。本文旨在深入浅出地解析机器学习的基本原理,涵盖监督学习、无监督学习、以及强化学习这三大基石,并通过具体代码示例帮助读者更好地把握这些概念。
|
7天前
|
机器学习/深度学习 人工智能 分布式计算
阿里云人工智能平台PAI论文入选OSDI '24
阿里云人工智能平台PAI的论文《Llumnix: Dynamic Scheduling for Large Language Model Serving》被OSDI '24录用。论文通过对大语言模型(LLM)推理请求的动态调度,大幅提升了推理服务质量和性价比。
|
7天前
|
机器学习/深度学习 数据采集 人工智能
|
10天前
|
机器学习/深度学习 人工智能 算法
探索自动化测试的未来:AI与机器学习的融合
在软件测试领域,随着技术的不断进步,传统的手动测试方法正逐渐被自动化所取代。本文将深入探讨自动化测试的最新发展,特别是人工智能和机器学习如何改变测试过程、提升测试效率和准确性。文章将分析AI和ML技术在自动化测试中的应用案例,并预测这些技术未来的发展趋势。
|
8天前
|
机器学习/深度学习 人工智能 运维
智能化运维:AI与机器学习在IT管理中的应用
【7月更文挑战第10天】本文深入探讨了人工智能和机器学习如何革新传统的IT运维领域。文章首先界定了智能化运维的概念,随后分析了AI技术在故障预测、自动化处理和安全监控方面的应用实例,并讨论了实施智能化运维时面临的挑战及其克服策略。最终,文章展望了智能化运维的未来趋势,强调了持续学习和适应新技术的重要性。
|
5天前
|
机器学习/深度学习 人工智能 API
在人工智能和机器学习的领域中,语音识别(Speech Recognition,SR)是一个重要的研究方向。它旨在将人类的语音转换为计算机可读的文本。
在人工智能和机器学习的领域中,语音识别(Speech Recognition,SR)是一个重要的研究方向。它旨在将人类的语音转换为计算机可读的文本。
|
7天前
|
机器学习/深度学习 人工智能 测试技术
探索自动化测试的未来:AI与机器学习的融合
本文深入探讨了自动化测试领域内人工智能(AI)和机器学习(ML)技术的应用前景,并分析了这些技术如何改变软件测试的实践。文章首先概述了自动化测试的基本概念及其重要性,随后详细讨论了AI和ML在测试用例生成、缺陷预测、以及测试执行中的创新应用。通过引用最新的研究和案例,本文揭示了AI和ML技术如何提高测试效率、减少人为错误,并预测未来测试趋势。最后,文中也指出了实施这些高级技术时可能遇到的挑战和限制,为读者提供了关于自动化测试未来发展的全面视角。
12 0
|
9天前
|
机器学习/深度学习 人工智能 自然语言处理
人工智能浪潮之下,机器学习的未来展望
在数字化时代,人工智能(AI)已成为推动技术革新的核心力量。特别是机器学习(ML),作为AI的子集,它的发展不仅重塑了数据处理的方式,还为解决复杂问题提供了新途径。本文将探讨机器学习的现状与未来趋势,包括深度学习、自然语言处理等领域的进展,以及面临的挑战和潜在的解决方案。通过深入分析,旨在为读者揭示机器学习在未来社会中的角色和影响。
13 0
|
10天前
|
机器学习/深度学习 人工智能 数据可视化
探索自动化测试的未来:AI与机器学习的融合之路
【7月更文挑战第8天】随着软件开发行业的迅猛发展,传统的软件测试方法逐渐无法满足日益增长的质量和效率需求。本文旨在探讨自动化测试领域的最新趋势——人工智能(AI)和机器学习(ML)技术的融合应用。文章将分析AI和ML如何优化测试流程、提高缺陷检测率以及预测潜在问题,同时指出实施这些技术时面临的挑战和解决方案。通过案例研究,我们将揭示这一技术革新如何重塑软件测试的未来。