自己建网站要学什么,网站建站作业,竞价排名是什么意思,易支付对接WordPress目录
一、机器学习
1、实现原理
2、实施方法
二、深度学习
1、与机器学习的联系与区别
2、神经网络的历史发展
3、神经网络的基本概念 一、机器学习
1、实现原理
训练#xff08;归纳#xff09;和预测#xff08;演绎#xff09; 归纳: 从具体案例中抽象一般规律…目录
一、机器学习
1、实现原理
2、实施方法
二、深度学习
1、与机器学习的联系与区别
2、神经网络的历史发展
3、神经网络的基本概念 一、机器学习
1、实现原理
训练归纳和预测演绎 归纳: 从具体案例中抽象一般规律。从一定数量的样本(已知模型输入x和模型输出y)中学习输出y与输入x的关系(可以想象成是某种表达式)。演绎: 从一般规律推导出具体案例的结果机器学习中的“预测”亦是如此。基于训练得到的y与x之间的关系对新的输入x计算出输出y。通常情况下如果通过模型计算的输出和真实场景的输出一致则说明模型是有效的。 2、实施方法 三个关键要素 假设、 评价、 优化 模型假设世界上的可能关系千千万漫无目标的试探与X之间的关系显然是十分低效的。因此先圈定一个模型能够表达的关系可能然后机器会进步在假设范围内寻找最优的 Y~X关系即确定参数w。评价函数即定义损失函数。寻找最优之前我们需要先定义什么是最优即评价一个Y~X关系的好坏的指标。通常衡量该关系是否能很好的拟合现有观测样本将拟合的误差最小作为优化目标。优化算法例如梯度下降。设置了评价指标后就可以在假设圈定的范围内将使得评价指标最优(损失函数最小/最拟合已有观测样本)的 Y~X关系找出来这个寻找最优解的方法即为优化算法。最笨的优化算法即按照参数的可能穷举每个可能取值来计算损失函数保留使得损失函数最小的参数作为最终结果 二、深度学习
1、与机器学习的联系与区别
二者在理论结构上是一致的即模型假设、评价函数和优化算法
其根本差别在于假设的复杂度。如下图所示的图像识别问题给出一张美女照片人脑可以接收到五颜六色的光学信号能快速反应出这张图片是一位美女。但对计算机而言只能接收到一个数字矩阵对于美女这种高级的语义概念从像素到高级语义概念中间要经历的信息变换非常复杂这种变换已经无法用数学公式表达。 在深度学习兴起之前 很多领域建模的思路是投入大量精力做特征工程 将专家对某个领域的“人工理解” 沉淀成特征表达 然后使用简单模型完成任务如分类或回归。 而在数据充足的情况下 深度学习模型可以实现端到端的学习 即不需要专门做特征工程 将原始的特征输入模型中 模型可同时完成特征提取和分类任务。 2、神经网络的历史发展 3、神经网络的基本概念
人工神经网络包括多个神经网络层 如 全连接层、 卷积层、 循环层等 每一层又包括很多神经元 超过三层的非线性神经网络都可以被称为深度神经网络。通俗的讲 深度学习的模型可以视为是输入到输出的映射函数 如图像到高级语义美女 的映射 足够深的神经网络理论上可以拟合任何复杂的函数。 神经元 神经网络中每个节点称为神经元 由两部分组成 1加权和 将所有输入加权求和 2非线性变换激活函数 加权和的结果经过一个非线性函数变换 让神经元计算具备非线性的能力 多层连接 大量这样的节点按照不同的层次排布 形成多层的结构连接起来 即称为神经网络 前向计算 从输入计算输出的过程 顺序从网络前至后 计算图 以图形化的方式展现神经网络的计算逻辑又称为计算图 也可以将神经网络的计算图以公式的方式表达
