这一节我们主要学习

在实际中应用机器学习技术，需要面对和解决的难题：

• 异常检测
• 可解释型 AI
• 对抗攻击
• 终生学习
• 元学习
• 小（零）样本学习
• 强化学习
• 网络压缩
• 无监督域适应

1. 异常检测 Anomaly Detection

机器能不能知道“我不知道”？

例如，对于一个将动物图片进行分类的模型，如果输入一张动漫人物的图片，模型是否会输出“我不知道”。

2. 可解释AI Explainable AI

机器能否说出为什么“我知道”？

3. 对抗攻击 Adversarial Attack

如何防止机器发生错觉？

4. 终身学习 Life-long Learning

人是终身学习的，但今天我们一般只让一个模型学习一个任务，这导致：
（1）模型的数量无限增长，
（2）之前学到的技能对之后的学习没有帮助。

终身学习(Life-long Learning) 研究如何解决同一模型
在学习不同任务时存在的存在灾难性遗忘(catastrophic forgetting)问题。

5. 元学习 Meta-Learning

学习如何学习。
写出一个程序，这个程序能够写出具有学习能力程序。

6. 小样本学习 Few-shot Learning、零次学习 Zero-shot learning

根据很少的样本进行学习。

7. 强化学习 Reinforcement Learning

强化学习真的能用吗？
参考资料：http://web.standford.edu/class/psych209/Readings/LakeEtAIBBS.pdf

8. 网络压缩 Network Compression

把大的神经网络缩小，或者把神经网络的参数二元化。

9. 无监督域适应 Unsupervised Domain Adaptation

应对训练数据和测试数据的分布不同