一、有关机器学习的说法有哪些是正确的？

有关机器学习正确的说法主要有以下几个方面：

A、与数据挖掘不同，机器学习的数据都是来自于真实的业务系统。

B、机器学习可以从有限的样本数据中得到有用的规律，并能对新样本进行一定的泛化预测。

C、每种机器学习算法都有一定的使用范围，只能处理某类数据和问题。

D、在机器学习过程中，需要人的经验指导数据的选择、噪声的消除、合适算法的选择以及调参等工作。

E、机器学习就是简单的统计分析。

二、什么叫训练集的样本？

基本内容

在 机器学习和 模式识别等领域中，一般需要将 样本分成独立的三部分训练集（train set），验证集（validation set ) 和测试集（test set）。其中训练集用来估计模型，验证集用来确定网络结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。一个典型的划分是训练集占总样本的50%，而其它各占25%，三部分都是从样本中随机抽取。

但是，当样本总量少的时候，上面的划分就不合适了。常用的是留少部分做测试集。然后对其余N个样本采用K折交叉验证法。就是将样本打乱，然后均匀分成K份，轮流选择其中K－1份训练，剩余的一份做验证，计算预测误差平方和，最后把K次的预测误差平方和再做平均作为选择最优模型结构的依据。特别的K取N，就是留一法（leave one out）

三、图形对抗怎么和好友交换？

图形对抗是一种人工智能技术,旨在通过让机器学习算法在处理对抗性样本时变得更加鲁棒,从而增强机器学习系统的安全性。

与好友交换可以通过以下步骤完成:

1. 确定交换的双方:在图形对抗中,双方是机器学习算法和攻击者。

2. 选择攻击方式:攻击者可以选择不同的攻击方式,如生成对抗性样本、选择对抗性样本等。

3. 生成对抗性样本:攻击者可以使用不同的生成对抗性样本的方法,如FGSM、BIM、PGD等,来生成对抗性样本。

4. 进行交换:攻击者将生成的对抗性样本发送给机器学习算法,机器学习算法使用这些样本进行训练,以增强其鲁棒性。

5. 评估结果:在完成交换后,机器学习算法可以使用不同的评估指标来评估其性能,如准确率、损失函数等。

不过,图形对抗是一种相对较新的技术,仍处于不断发展和完善的过程中。因此,在实际应用中,需要根据具体情况进行调整和优化。

四、云网运营小样本学习的方法有哪些？

大型互联网公司可以依托大量的数据训练出一个很强的机器学习模型，但是这在传统企业中会面临很多困难。本文介绍几种实用的小样本学习方法，在面临给传统企业进行AI服务的时候可以考虑借鉴。

合成数据(synthetic data generation)

迁移学习(transfer learning)

自监督学习(self-supervised learning)

few-shot learning

handed-code knowledge

human-in-the-loop