协同过滤是推荐系统解决许多现实问题方面普遍使用的一种方法，传统的基于协同过滤方法使用用户-物品（user-item）矩阵来进行推荐，这种矩阵是对模型学习所需的用户对物品的个人偏好（数据）进行编码而得到的。在实际应用中，这种评分矩阵通常是十分稀疏的，这就导致基于协同过滤的方法在推荐性能上有显著的下降，倘若这样，一些改进的协同过滤方法利用增加辅助信息的方法来解决数据稀疏性和冷启动问题。

协同过滤是推荐系统解决许多现实问题方面普遍使用的一种方法，传统的基于协同过滤方法使用用户-物品（user-item）矩阵来进行推荐，这种矩阵是对模型学习所需的用户对物品的个人偏好（数据）进行编码而得到的。在实际应用中，这种评分矩阵通常是十分稀疏的，这就导致基于协同过滤的方法在推荐性能上有显著的下降，倘若这样，一些改进的协同过滤方法利用增加辅助信息的方法来解决数据稀疏性和冷启动问题。

在诸多领域，深度强化学习的表现已经超越人类。但是这种学习方式效率非常低，与人类相比要达到满意表现所需的数据量要高好几个数量级。为此我们提出了神经情景控制：一种能够快速吸收新经验并依据新经验来采取行动的智能体。该智能体的价值函数采用半值方式表示：一种旧经验缓冲器，包括价值函数渐变状态表示和价值函数快速更新估计两部分。在大量场景下的研究表明，该智能体的学习速度明显快于目前最先进的通用深度强化学习智能体

跟传统的监督式机器学习算法相比，深度神经网络目前最大的劣势是什么？贵。尤其是当我们在尝试处理现实生活中诸如图像识别、声音辨识等实际问题的时候。一旦你的模型中包含一些隐藏层时，增添多一层隐藏层将会花费巨大的计算资源。庆幸的是，有一种叫做“迁移学习”的方式，可以使我们在他人训练过的模型基础上进行小改动便可投入使用。在这篇文章中，我将会讲述如何使用预训练模型来加速解决问题的过程。

跟传统的监督式机器学习算法相比，深度神经网络目前最大的劣势是什么？贵。尤其是当我们在尝试处理现实生活中诸如图像识别、声音辨识等实际问题的时候。一旦你的模型中包含一些隐藏层时，增添多一层隐藏层将会花费巨大的计算资源。庆幸的是，有一种叫做“迁移学习”的方式，可以使我们在他人训练过的模型基础上进行小改动便可投入使用。在这篇文章中，我将会讲述如何使用预训练模型来加速解决问题的过程。