本文共 1319 字，大约阅读时间需要 4 分钟。
现在机器学习成为了研究的热门内容，也取得了非常大的成就，那么机器学习又该向那个方向发展呢。
机器学习是一门多领域的交叉学科，涉及到计算机科学、概率统计、函数逼近论、最优化理论、控制论、决策论、算法复杂度理论、实验科学等多个学科，希望使用计算的方法来模拟人类的学习行为，从历史（train）中获得规律（模型），并将其用于新的类似场景之中（test或者实时的应用场景）
1、深度学习
深度学习是一类端到端的学习策略，可以从原始数据之中直接学习、自动抽取特征并进行逐层的抽象（黑箱操作，我们并不知道他是怎么进行的），最终实现回归和分类等任务。深度学习的成功发展在于：大数据、大计算和大模型。深度学习刚被提出的时候没有被重视。随着硬件条件的发展，深度学习的优势也就体现了出来
2、强化学习
强化学习研究的是智能体如何在动态系统之中以‘试错’的方式进行学习，从而通过环境的交互来获得最大回报，该问题在博弈论、控制理论、运筹学、信息论、动智能系统、群体智能、统计学和遗传算法等领域也进行了相关的研究
3、迁移学习
把为其他任务训练好的模型迁移到新的学习任务之中，帮助新任务解决训练不足等解决挑战。应用迁移学习的前提条件是‘人物之间存在相关性’。应用较广的是：图像的CNN。底层就是提取图像的特征，如果遇到训练数据不足的问题，就可以使用其他任务训练好的框架。
4、对抗学习
传统的深度生成模型存在着潜在的问题：因为最大化概率似然，模型更倾向于生成偏极端的数据，从而影响数据的生成效果。对抗学习利用对抗性行为来加强模型的稳定性，T提高数据的生成效果。具有代表性的就是GAN.
5、对偶学习
对偶学习是一种学习的新范式，基本思想是利用机器学习之间的对偶属性获得更有效的反馈/正则化、引导、加强学习的过程，从而降低深度学习对大规模人工标注数据的依赖。
6、分布式学习
可以加快机器学习的训练速度、提高机器学习的训练效率
7、元学习
元学习的基本思想是让智能体学会如何学习。这样学习的方法就有可能有一定的普适性。
1、内部结构更加的‘透明’，具有可解释性
现在的深度学习网络，类似于黑箱操作，我们并不知道网络中参数具体有什么意义。从利用数据的相关性来解决问题，到利用数据的因果逻辑来解释和解决问题。
2、轻量级的机器学习和边缘计算
边缘计算值得是在网络边缘来处理和分析数据，而边缘节点指的是数据产生源头和云计算中心之间具有计算资源和网络资源的节点（手机就是人和云计算中心之间的边缘节点，而网管则是智能家居和云计算中心之间的边缘节点），在理想情况下，边缘计算指的是在数据产生源附近分析、处理数据，降低数据的流转，进而减少网络流量和响应时间。机器学习和边缘计算的结合显得尤为重要。
3、量子机器学习
量子计算机利用量子相干和量子纠缠效应来处理信息，和经典计算机有着本质的区别（很多物理大佬都在研究，比如潘建伟）。通过量子计算机可以大幅度的加快计算机的运算速度，对于现在的密码学有一定的冲击。
4、普适而简洁的定律
关注的问题主要在于：是否可以设计一种方法来自动学习和发现现象背后的数学定律。
参考：【】
转载地址：http://hfpzi.baihongyu.com/