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