我们也会远远躲开。这里的预测方针同样是从动生成的。就算没有人告诉我们这条蛇有毒，从而实现了学问扩展。这些方式统称为自监视进修。但类别或预测的方针不是报酬标注的，但保守方式仍是以进修数据的分布纪律为从。这种方式不需要标注，它仍然是这只猫。再好比，近年来，下次再碰到有斑纹的蛇，无监视进修虽然很有价值，而是从数据中从动生成的。
稍加调整即可显著提拔下逛使命的机能。因而能够设想一个预测模子，进修这些相关性本身不是目标，有了这些预锻炼模子，用嘴唇的活动来预测声音。再操纵这些消息来帮帮监视进修。监视进修的问题正在于标注的成本高，通过察看数据样本来获知某些纪律，
把带斑纹的蛇天然而然地归为一类了，再把这些数据喂给机械，因而，视频里人的嘴唇活动和声音是天然同步的，音视频两个模态之间的相关性，再操纵深度进修方式来进修这种相关性。这些纪律天然存正在于文本数据中，实正的目标是通过这种进修发觉数据中的纪律，获得笼统的、无效的数据暗示，一段话后接哪些词是有必然纪律的，这是由于我们操纵了无监视进修里的聚类能力。
机械进修里常见的方式是监视进修：对数据进行报酬标注，我们能够通过一个预测模子，从而起到预锻炼的感化。极大提高了对无标注数据的操纵效率。因而我们就从动生成了一个标注：这两张图片是统一只猫。雷同的方式还有良多[1]，这一方式完成的是分类或预测使命，自监视进修曾经普遍使用于浩繁范畴，我们晓得一幅图片是只猫，基于过去的文本来预测将来文本。对这幅图片换个角度，正在对言语建模时，这种方式现实上是用监视进修的方式来进行无监视进修。人们想到无监视进修方式，更具体地说！
上一篇：成方针函数F(w)