版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/u010819416/article/details/89513314
1.1 人工智能、机器学习与深度学习
1.1.1 人工智能
努力将通过由人类完成的智力任务
1.1.2 机器学习
机器学习系统是训练出来的。
1.1.3 从数据中学习表示
需要三个要素来进行机器学习:
- 输入数据点
- 预期输出的示例
- 衡量算法效果好坏的方法
机器学习和深度学习的核心问题在于有意义地变换数据,换句话说,在于学习输入数据的有用表示——这种表示可以让数据更接近预期输出。
机器学习中的学习指的是,寻找更好数据表示的自动搜索过程。
机器学习:在预先定义好的可能性空间中,利用反馈信号的指引来寻找输入数据的有用表示。
1.1.4 深度学习之“深度”
深度学习是从数据中学习表示的一种数学框架。
深度学习:学习数据表示的多级方法。
1.1.5 用三张图理解深度学习的工作原理
神经网络中每层对输入数据所做的具体操作保存在该层的权重中,其本质是一串数字。每层实现的变换由其权重来参数化。
想要控制神经网络的输出,就需要能够衡量该输出与预期值之间的距离。损失函数或者目标函数。
利用这个距离值做为反馈信号来对权重值进行微调,以降低当前示例对应的损失值。就是优化器,所谓的反向传播算法。
这是一个简单的机制,一旦具有足够大的规模,就会产生魔法般的效果。
1.1.6 深度学习已经取得的进展
1.1.7 不要相信短期炒作
1.1.8 人工智能的未来
1.2 深度学习之前:机器学习简史
1.2.1 概率建模
最有名的算法:朴素贝叶斯算法
1.2.2 早期神经网络
1.2.3 核方法
1.2.4 决策树、随机森林与梯度提升机
1.2.5 回到神经网络
1.2.6 深度学习有何不同
深度学习两个基本的特征:
第一:通过渐进的,逐层的方式形成越来越复杂的表示
第二:对中间这些渐进的表示共同进行学习
1.2.7 机器学习现状
梯度提升机,用于浅层学习问题,熟悉XGBoot;
深度学习,用于感知问题,熟悉Keras