一、深度学习-定义与概念
1.阿瑟•塞缪尔 （ArthurSamuel）的跳棋游戏
1952年，阿瑟•塞缪尔（ArthurSamuel）研发出了一个跳棋程序，这个程序奇妙的地方在于，阿瑟自己并不会下跳棋，他是通过让程序不停的和自己下跳棋，慢慢的让这个程序自己称为一个跳棋高手。它是世界上第一个可以自主学习的程序。
问题：
如果上面的跳棋程序，只和自己玩过10场游戏（而不是好几万场），它的表现会如何呢？
A.会更好
B.会更差
答案是B会更差。
2.阿瑟•塞缪尔对人工智能程序的定义
filed of study that gives computers the ability to learn without being explicity programed
阿瑟•塞缪尔对人工智能的定义，很不正式的，在后面的课程中我们会，给出更加正式的定义。
3.机器学习基本概念和本课程的基本目标
机器学习算法：
- 有监督的学习：1.应用广泛，2.近年来，成果多多
- 无监督的学习
- 强化学习
本课程有三节课，1,2节课介绍有监督的学习；3节关注无监督的学习。
算法就像是工具，技能就像是如何盖房子。
如果有人给你一把个锤子和一个电钻，然后和你说，你已经掌握了如何盖房子，去盖房子吧。你肯定会觉得他在胡扯。
机器学习也是这样，如果只告诉你算法，但是不告诉你如何应用这些算法的技巧，你也很难搭建出自己的项目。
本节课程不仅会介绍算法，更会告诉你应用他们的技巧。
4.有监督的学习
是指学习 x 到y的映射，或者说input 到output label的映射。
定义的关键是，你给你的程序有正确答案（正确的label y）的样例，然后通过学习，输入参数x和正确的回答 y，让算法最终能，只给输入x，就能给出正确的回答y。
例如：
- 输入是 email，你的输出是邮件是否是垃圾邮件。那么你的算法得到的就是垃圾邮件过滤器。
- 输入是音频，输出是音频对应的文字，你得到的就是语音识别软件。
- 输入是english，输出是Spanish，你得到的就是翻译软件。
- 输入是广告，用户信息，输出是是否点击，你得到的就是在线广告推荐程序。
- 输入是图片和雷达信息，输出是其他车辆的实际位置信息，你得到的就是自动驾驶的软件。
- 输入是刚下线的产品，输入是是否良品，你得到的就是，良品视觉检测软件。
（1）回归（Regression）问题
如果预测的的结果，是一个数字，如房屋价格（比如输入是房屋面积，输出是价格）。那么这种算法，就称为回归（regression）
更准确的定义是，从无穷的数字中，预测出一个具体的数字。
（2）分类问题（ classification）
例如，根据肿瘤大小确定是否良性；根据图片，判断是 什么动物（猫、狗、兔子。。。等等）
根据输入，从有限的正确答案结果集合中，选出一个正确的答案。
（3）多维输入
现实中，机器学习问题的输入往往是多维的，比如，判断肿瘤是否良性的输入，除去大小，还有患者的年龄 ，如下图
我们用年龄作为纵坐标，肿瘤大小作为横坐标 ，圈代码良性，叉代表恶性。那么机器学习的目的就是找到一条线（可以是曲线）来分开良性和不良的结果。
如果输入是三个参数，就是在三维空间中找到一个平面 分开，三个参数描述的点。
如果是超过三个参数的超空间，就是一个超平面来来分开这些超空间。
这里只是给大家一个感性的认识，代表的数学知识，并不是本课程要探讨的，如果不了解相关概念，可以跳过。 只用感受上面的二维图像，也是ok的。
5.无监督的学习
（1）聚类
在无监督的学习中，例如上图，我们给出 患者年龄和肿瘤大小，但是不会给出肿瘤是否良性，我们也不会让算法帮我们推算是否良性，而是让算法自己，寻找这些据中有趣的东西如，数据的结构和模式。
并且把结构，或者模式，或者其他方面有相似性的数据放到一起，这种叫做聚类（clustering）
- 熊猫新闻
- 基因分类
（2）异常检测
无监督学习的另外一种应用是异常检测，比如金融诈骗检测。这在金融活动中非常重要。
总结：
1. 我们介绍了机器学习的第一个程序，以及作者对机器学习的定义。
2.我们介绍了目前机器学习的常见分类。
- 有监督的学习
- 回归
- 分类
- 无监督的学习
- 聚类
- 异常检测
- 强化学习
3.记住机器学习的算法和技巧同样重要，后面的学习中要同样重视。
一、深度学习-定义与概念相关推荐
- 深度学习基础(基本概念、优化算法、初始化、正则化等)
2020-04-25 16:29:09 引言 深度学习目前已成为发展最快.最令人兴奋的机器学习领域之一,许多卓有建树的论文已经发表,而且已有很多高质量的开源深度学习框架可供使用.然而,论文通常非常简明 ...
- Deep Learning（深度学习）基本概念
Deep Learning(深度学习)基本概念 1.网络基本结构 对于这个网络,输入的是向量,输出的也是向量 下一层的一个神经元的输入是上一层所有神经元的输出计算得到,即全部连接在与上一层所有神经元全 ...
- 深度学习常见名词概念：Sota、Benchmark、Baseline、端到端模型、迁移学习等的定义
深度学习:Sota的定义 Sota The end to end(非端到端模型) End to end(端到端模型) Benchmark.Baseline 并发.并行.串行 迁移学习 微调 进程.线程 ...
- 【语义分割】深度学习中常见概念回顾（全大白话解释，一读就能懂！）
记录一下常见的术语! 一.epoch.batch size和iteration 1.1 Epoch 定义:一个epoch指代所有的数据送入网络中完成一次前向计算及反向传播的过程.简而言之:训练集中的全 ...
- 机器学习与深度学习的基本概念
什么是人工智能? 人工智能的简洁定义如下:努力将通常由人类完成的智力任务自动化. 什么是机器学习? 在经典的程序设计(即符号主义人工智能的范式)中,人们输入的是规则(即程序)和需要根据这些规则进行处理 ...
- 深度学习：基础概念陈述及P-R曲线绘制案例(Python)
文章目录 @[toc] 一.概念陈述 1.1引例 1.2机器学习与深度学习 1.3基础概念 1.4机器学习与统计学的对比 二.数据集(dataset) 2.1数据集的数学表示 2.2训练集和测试集 2 ...
- 人工智能、机器学习、深度学习、神经网络概念说明
目录 1.机器学习的范围 2.机器学习的方法 2.1回归算法 2.2神经网络 2.3 SVM(支持向量机) 2.4聚类算法 2.5降维算法 2.6推荐算法 2.7总结 3 机器学习的分类 3.1 监督 ...
- Keras深度学习之分层概念
3.1 多层感知层简介 3.1.1 链接输入.输出的Dense层 Dense(8,input_dim=4,activation='relu') 第一个参数:输出神经元的个数 input_dim:输入神 ...
- 【深度学习】卷积概念以及卷积核层数
对图像(不同的数据窗口数据)和滤波矩阵(一组固定的权重:因为每个神经元的多个权重固定,所以又可以看做一个恒定的滤波器filter)做内积(逐个元素相乘再求和)的操作就是所谓的『卷积』操作,也是卷积神经 ...
最新文章
- 听客来团队scrum敏捷开发工具实践分享
- linux修改mysql配置文件_忘记MySQL密码怎么办？一招教你搞定！
- C#调用C++的DLL 所有数据类型转换方式
- dump文件的生成及的分析
- 卷积神经网络 全连接层（稠密层）是什么？（全连接层就是每一个结点都与上一层的所有结点相连的网络层）
- Linux0.00 代码解析（二）
- 判断链表是否为回文结构
- 零分钟即可在容器开发套件（CDK）上实现云运营
- JavaScript之事件委托（附原生js和jQuery代码）
- android微信支付回调方法,Android接入支付宝和微信支付的方法
- 【Java从0到架构师】SpringBoot - SpringMVC
- 文件服务器自动化管理
- 【超详细】随机变量及其分布——《概率论与数理统计》第二章学习笔记
- 8086CPU时序概念
- 怎么用计算机打印出东西,打印东西怎么打印出来
- 为NanoPi M2 自制Debian镜像
- C语言——计算阶层求和
- python面向对象高级
- python考勤管理系统_Mysql和python在考勤系统中的应用
- 右键excel 文件后文件夹卡死,或打开Excel后文件所在的文件夹卡死