深度学习、机器学习、人工智能的区别
深度学习、机器学习、人工智能的区别
1.机器学习 是 人工智能 的一个分支
主要研究如何使机器在不必额外编程的情况下，学会执行特定任务
机器学习 的核心思想在于可以通过创建算法让机器通过数据进行学习并预测数据
2.机器学习 有 3 个大的分类
第 1 种是监督学习，机器通过己知的输入和对应的预期输出进行样本训练，以对全新的未知数据进行有意义的预测
第 2 种是无监督学习，机器只能通过输入的数据，在没有外界监督的情况下自己发现有意义的结构
第 3 种是强化学习，机器作为同环境进行交互的代理，学习哪些行为能获得奖赏。
3.深度学习 是利用 人工神经网络 进行 机器学习 的方法论里的一个特定子集
人工神经网络 的灵感来自于人类大脑神经元的结构
深度学习对机器学习来说是一次真正的海啸。它虽然只有相对较少的巧妙的方法，却被成功地应用到非常多的不同的领域（图像、文本、视频、 语音和视觉），
显著改进了过去几十年的技术发展水平。深度学习 的成功还因为现在有了更多的可用于训练的数据（如来自 ImageNet 的图像〉，
以及可用于高效数值计算的相对低廉、可用的 GPU 。
本书涵盖的内容
第 1 章，神经网络基础，讲述神经网络的基础知识。
第 2 章， Keras 安装和 API 展示如何在 AWS、Microsoft Azure、Google Cloud ，以及你自己的 器上安装 Keras 并提供对 Keras API 概览。
第 3 章，深度学习之卷积网络，介绍卷积网络的概念。这是深度学习的一个重要创新，最初的构想是为了图像处理，但现在在文本、视频和语音等多领域都有成功的应用
第 4 章，生成对抗网络和 WaveNet ，介绍了利用生成对抗网络来合成如同人类自己产生的数据。
我们还会介绍 WaveNet ，这是一个可用于生成高质量人类语音以及乐器音的深度神经网络。
第 5 章，词嵌入，讨论词向量相关的一套深度学习方法，用于检测词汇和相似语义词汇组的关系。
第 6 章，循环神经网络 RNN，讲述循环神经网络的技术和应用 ，这是一类优化过的用于处理文本等序列化数据的网络
第 7 章，其他深度学习模型，简要介绍 Keras API 、回归网络，以及自动编码机等。
第 8 章，游戏中的 AI ，教你如何进行深度强化学习，以及如何用 Keras 建基于奖赏反馈的街机游戏玩儿法的深度学习网络。
第 9 章，结束语，快速回顾本书内容 并向用户介绍 Keras 2.0 的新特性。
为了让您流畅地阅读各个章节，你需要准备以下软件：
TensorFlow 1.0.0 者更高版本
Keras 2.0.2 或者更高版本
Matplotlib 1.5.3 者更高版本
Scikit-leam 0.18.1 或者更高版本
NumPy 1.12.1 者更高版本。
推荐硬件清单如下：
32 位或 64 位架构；
2GHz 以上 CPU;
4GB RAM;
至少 lOGB 硬盘空间。
感知机
from keras.models import Sequential
from keras.layers.core import Dense
model = Sequential()
# 包含 12 个人工神经元的单层网络，有 8 个输入变量(也称为特征)
model.add(Dense(12, input_dim = 8, kernel_initializer ='random_uniform'))
e含义是单位时间内，持续的翻倍增长所能达到的极限值
https://www.guokr.com/article/50264/
1.e是自然对数的底数，自然对数是以e为底的对数函数，e是一个无理数，约等于2.718281828。
2.e就是增长的极限。当增长率为100%保持不变时，在单位时间内细胞种群最多只能扩大2.71828倍。
数学家把这个数就称为e，它的含义是单位时间内，持续的翻倍增长所能达到的极限值 。
神经网络的平滑激活函数
神经网络的平滑激活函数 sigmoid
扫描二维码关注公众号，回复：
8856678 查看本文章
Sigmoid函数(S型生长曲线)
Sigmoid函数是一个在生物学中常见的S型函数，也称为S型生长曲线.
在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间。
用途：用作神经网络的阈值函数
神经网络的平滑激活函数 ReLU
手写数字识别
