要求

由于近期AI的快速发展，我们大致可以把机器学习分为传统的机器学习以及深度学习两个部分。深度学习是近年来大规模兴起的一个重要的方法。深度学习是不同于其他传统的机器学习，同学们需对深度学习为什么会兴起，如何用深度学习做监督学习有一个最基本的认识。

课后检测

问题：“AI是新的电力”，是指？
解析：这是吴恩达老师在今年AI Conference上主题演讲的题目。这句话当然是比喻AI就像100年前的电力一样，正在给我们的生产生活带来巨大的变革。吴恩达老师在演讲中说，“在未来的某一天，建立一个由AI驱动的社会，我们周围的一切都具有AI智能，并改变人类的生活。”这个梦想的实现，不仅仅是依靠一个公司的努力，而是需要我们所有人一起努力。
答案：A。

问题：最近深度学习这么火的原因都有哪些？
解析：深度学习并不是一个新的领域，它只是众多机器学习算法中的一种，为什么在经历了起起落落后，最近能火起来呢？因为深度学习算法需要大量的数据和很强的硬件计算能力。之前受限于数据量和计算能力，一直不温不火。近几年互联网蓬勃发展，各种信息都实现了数据化，数据量大增，你想想你网购时留在互联网上的信息你就知道了。另外，计算机硬件按照“摩尔定律”发展，计算能力指数增长，这些都为深度学习算法的再次勃发提供了很好的基础。当然，也离不开利用深度学习算法实现的表现优异的各种产品，比如阿尔法狗，图像识别机器人，索菲亚机器人等。
答案：ABD。

问题：回想一下在不同ML思想上迭代的关系图
解析：这个图向我们展示了开发神经网络的一个过程，即从有想法，到用代码实现，再到运行代码看结果，再回过头修正想法如此循环往复。一个团队如果能更快的用代码实现想法，或者写出来的代码（算法）更好，或者科学家研究出了更优秀的算法，上述循环过程都会更短，从而提高效率。考虑到以上的原因，训练一个大的数据集，花的时间未必比训练小数据集花的时间长，当然也不是在大数据集上训练就更快。
答案：ABD。

问题：当一个有经验的深度学习工程师处理一个新问题时，他们通常可以使用以前问题的洞察力来在第一次尝试中训练一个好的模型，而不需要在不同的模型中进行多次迭代。
解析：这题考查我们对操作经验和模型的理解。一个表现很好的深度学习模型，并不是仅靠经验就能立马找到的。虽然经验很重要，但要找到一个表现很好的模型，都需要尝试，修复，不断完善的一个过程。
答案：False

问题：ReLU
解析：figure1tanh，2 sigmoid，3 ReLU，4leaky ReLU
答案：figure3

问题：猫图像识别是一个“结构化”例子，因为用一个结构化的数组来表示
解析：猫图像识别的数据是典型的非结构化数据，常见的非结构化数据还有文本，图像，视频等。
答案：False

问题：人口、GDP增速、经济增长率等数字都是结构化数据。
解析：结构化数据：即行数据,存储在数据库里,可以用二维表结构来逻辑表达实现的数据。
非结构化数据：包括所有格式的办公文档、文本、图片、XML、HTML、各类报表、图像和音频/视频信息等等。
半结构化数据：就是介于完全结构化数据（如关系型数据库、面向对象数据库中的数据）和完全无结构的数据（如声音、图像文件等）之间的数据，HTML文档就属于半结构化数据。它一般是自描述的，数据的结构和内容混在一起，没有明显的区分。
答案：False

问题：rnn为什么用在机器翻译上
解析：RNN在语音识别，语言建模，翻译，图片描述等问题上已经取得一定成功。它是一种监督学习，比如输入数据英文，标签为法文。RNN 可以被看做是同一神经网络的多次赋值，每个神经网络模块会把消息传递给下一个，所以它是链式的，链式的特征揭示了 RNN 本质上是与序列和列表相关的，所以它在解决sequence上是毫无问题的。要说哪个完全比另一个强，基本都是错的。
答案：AC

问题：横纵坐标代表什么？
解析：这张图从侧面反映了深度学习为什么会火。它的横坐标是数据量，纵坐标是该算法的表现。从图中可以看出，随着横坐标–数据量的增大，无论是小型，中型还是大型的神经网络，表现均越来越好，而传统的算法则一直停留在一个水平。
答案：B

问题：假设上一个问题中描述的趋势是准确的，下面哪个选项是正确的?
解析：总的来说，对于相同的数据量，只要足够多了，那么大型神经网络的表现更好。对同一个神经网络，数据量越多，其表现越好。
答案：BD

参考：https://zhuanlan.zhihu.com/p/31256876

神经网络和深度学习1相关推荐

复旦邱锡鹏教授公布《神经网络与深度学习》，中文免费下载 | 极客头条
点击上方↑↑↑蓝字关注我们~ 「2019 Python开发者日」,购票请扫码咨询 ↑↑↑ 整理 | Jane 出品 | AI科技大本营优质的人工智能学习资源一直是大家非常关注的,以往我们也推荐过很多 ...
从神经元到神经网络、从神经网络到深度学习：神经网络、深度学习、神经元、神经元模型、感知机、感知机困境、深度网络
从神经元到神经网络.从神经网络到深度学习:神经网络.深度学习.神经元.神经元模型.感知机.感知机困境.深度网络目录从神经元到神经网络.从神经网络到深度学习神经网络:
豆瓣评分9.7，Github 9.9K Star的中文版《神经网络与深度学习》分享（附PDFPPT下载）...
点击上方"AI遇见机器学习",选择"星标"公众号重磅干货,第一时间送书籍名称:神经网络与深度学习作者:邱锡鹏老师院校:复旦大学类别:深度学习编辑:机 ...
1.1 欢迎-深度学习第一课《神经网络与深度学习》-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 无回到目录 1.2 什么是神经网络欢迎第一个视频主要讲了什么是深度学习,深度学习能做些什么事情.以下是吴恩达老师的原话: 深度学习改变了传统互联网业务,例如如网络搜索和 ...
0.0 目录-深度学习第一课《神经网络与深度学习》-Stanford吴恩达教授
文章目录第五课第四课第三课第二课第一课第五课 <序列模型> 笔记列表 Week 1 循环序列模型 Week 1 传送门 -> 1.1 为什么选择序列模型 1.2 数学符号 ...
循环神经网络matlab程序设计,神经网络及深度学习(包含matlab代码).pdf
神经网络及深度学习(包含matlab代码) 神经网络及深度学习 (包含 MATLAB 仿真) 人工神经网络(Artificial Neural Network,即 ANN ), 作为对人脑最简单的一种 ...
火爆网络的《神经网络与深度学习》，有人把它翻译成了中文版！
点击上方"AI有道",选择"置顶"公众号重磅干货,第一时间送达今天给大家介绍一本非常好的深度学习入门书籍,就是<Neural Network and ...
干货 | 神经网络与深度学习精选文章汇总
AI有道不可错过的AI技术公众号关注下面这部分列出了吴恩达深度学习专项课程中关于NN和DNN方面的所有精炼笔记.主要包括:神经网络与深度学习.优化神经网络.构建机器学习项目三块内容. 如果你对我 ...
吴恩达《神经网络与深度学习》精炼笔记（5）-- 深层神经网络
上节课我们主要介绍了浅层神经网络.首先介绍神经网络的基本结构,包括输入层,隐藏层和输出层.然后以简单的2 layer NN为例,详细推导了其正向传播过程和反向传播过程,使用梯度下降的方法优化神经网络参 ...
吴恩达《神经网络与深度学习》精炼笔记（4）-- 浅层神经网络
上节课我们主要介绍了向量化.矩阵计算的方法和python编程的相关技巧.并以逻辑回归为例,将其算法流程包括梯度下降转换为向量化的形式,从而大大提高了程序运算速度.本节课我们将从浅层神经网络入手,开始真 ...

神经网络和深度学习1

深度学习概论--第一周

要求

课后检测

神经网络和深度学习1相关推荐

最新文章

热门文章