机器学习

现实中常遇到多分类学习任务。有些二分类学习方法可直接推广到多分类，如LR。但在更多情形下，我们是基于一些基本策略，利用二分类学习器来解决多分类问题。所以多分类问题的根本方法依然是二分类问题。

在这篇文章中，你将了解在机器学习模型开发生命周期（MDLC）中应用的一些缓解偏差的策略，以实现偏差感知机器学习模型，我们主要目标是实现更高精度的模型，同时确保模型与敏感/受保护属性相比具有较小的判别性。简单来说，分类器的输出不应与受保护或敏感属性相关联。

机器学习跟统计学有很多联系，的确这两个专业有很多共性，但本文尝试列举一些差异，供大家参考和对比，也欢迎大家补充。

主要的想法是：一个全新的模型框架，探索使用模型融合的方式将神经网络可解释同时化整为零将模型更加小巧化，训练更加迅速。

人工智能的引入将为制造行业带来巨大的经济效益。对此，不同的调研机构给出了相关的数据参考：IDC数据显示，到2021年，20％的领先制造企业将通过嵌入式智能、人工智能、物联网和区块链等技术实现流程自动化，并将执行时间缩短25％；德勤表示，机器学习可以让离散制造业的产品质量提高35％.......

偏差是指预测结果与真实值之间的差异，排除噪声的影响，偏差更多的是针对某个模型输出的样本误差，偏差是模型无法准确表达数据关系导致，比如模型过于简单，非线性的数据关系采用线性模型建模，偏差较大的模型是错的模型。

机器学习中参数更新的方法有三种：① Batch Gradient Descent，批梯度下降；② Stochastic Gradient Descent，随机梯度下降；③ Mini-batch Gradient Decent，小批梯度下降。

由于意外的机器学习模型退化导致了几个机器学习项目的失败，我想分享一下我在机器学习模型退化方面的经验。实际上，有很多关于模型创建和开发阶段的宣传，而不是模型维护。

统计学和机器学习之间的界定一直很模糊。无论是业界还是学界一直认为机器学习只是统计学批了一层光鲜的外衣。而机器学习支撑的人工智能也被称为“统计学的外延”。例如，诺奖得主托马斯·萨金特曾经说过人工智能其实就是统计学，只不过用了一个很华丽的辞藻。

机器学习是当下人工智能浪潮的核心技术，受到了工业界的广泛应用，为社会带来了巨大的产业价值。然而，如果机器学习系统受到攻击，将会带来怎样的严重后果？我们该如何分析、规避这种风险？下面，本文作者将基于 6 个月的研究心得，教给大家破解机器学习系统攻击的正确方式！