Grundkenntnisse sind immer gut und ein gutes Fundament bestimmt die Qualität und Höhe des Aufbaus.
Ab heute werde ich weiterhin einige Grundlagen des Deep Learnings serialisieren, darunter Konzepte, mathematische Prinzipien und Codes. In letzter Zeit gibt es in der Tat kein heißes Thema, das es zu diskutieren gilt.
Schauen wir uns zunächst den Vergleich zwischen maschinellem Lernen und Deep Learning an:
„Daten und Features bestimmen die Obergrenze des maschinellen Lernens, während Modelle und Algorithmen sich dieser Obergrenze nur nähern.“ Einer der wesentlichen Unterschiede zwischen maschinellem Lernen und Deep Learning ist das Feature Engineering, und Feature Engineering ist der wichtigste Faktor zur Bestimmung der Qualität des Endergebnisses. Einer der Faktoren; die oberste Beschreibung des obigen Bildes ist der Prozess des maschinellen Lernens. Wenn ein Computer versteht, dass es sich bei den eingegebenen Informationen um ein Auto handelt, muss der Mensch eine Menge Feature-Engineering-Arbeit leisten, und zwar um einige charakteristische Informationen dieser Sache zu extrahieren und sie dann an die Maschine zu übergeben. Zu erkennen und zu verarbeiten, der untere Teil des obigen Bildes ist der Bereich des tiefen Lernens. Das Wichtigste im Bereich des tiefen Lernens ist, dass es kann Extrahieren Sie automatisch die Eigenschaften der Daten und verarbeiten Sie sie.
Der zweitgrößte Unterschied zwischen maschinellem Lernen und Deep Learning ist die Datenmenge (natürlich ist die Datenqualität in gewissem Maße kritischer und würde den Rahmen dieser Lektion sprengen). Die von beiden benötigte Datenmenge beträgt im Grunde ein Vielfaches bzw sogar Dutzende Male. Eine hundertfache Beziehung. Aufgrund der Datenmenge liegen die erforderlichen Rechenleistungen für Deep Learning und Machine Learning nicht in der gleichen Größenordnung.
Wie implementiert Deep Learning die Merkmalsextraktion? Dies führt zu