Introduction to Deep Learning👀
约 869 个字 预计阅读时间 3 分钟
What is a Neural Network👀
- 人工神经网络(artificial neural network, ANN),简称神经网络(nerual network, NN),是一种数学模型或计算模型,用于对函数进行估计和近似
-
神经网络主要由“输入层”,“隐藏层”和“输出层”组成,其中“隐藏层”可以有多层
- 实际中,网络输入层的每个神经元代表一个特征,输出层个数代表了分类标签的个数
- 隐藏层层数及隐藏层神经元是由人工设定
Supervised Learning with Neural Networks👀
Info
- 目前机器学习常分为监督学习(Supervised Learning)、半监督学习(Semi-supervised Learning)、无监督学习(Unsupervised Learning)和强化学习(Reinforcement Learning)
- 通俗讲,监督的含义就是训练数据集和测试数据集有没有标签
- \(\lceil\)Supervised Learning\(\rfloor\):
- 数据集中包含包含特征(feature)和标签(label),即最后预测结果是否正确是有标准答案做参考对比的
- \(\lceil\)Unsupervised Learning\(\rfloor\):
- 数据集中只包含特征,没有标签,即最后预测结果是否正确是没有标准答案做参考对比的
- \(\lceil\)Semi-supervised Learning\(\rfloor\):
- 数据集中一部分包含特征和标签,剩余部分不含标签,例如在图像识别中,手工标记出一部分含有西瓜的图片,将不完全标记的数据集用半监督学习算法进行训练,使模型能准确从一堆照片中识别出西瓜
- 在半监督学习中,也包含两种学习方法
- 将没有标签和有标签的数据同等对待训练
- 将没有标签的数据作为需要被预测的数据对待
- \(\lceil\)Reinforcement Learning\(\rfloor\):
- 强化学习是一种机器学习方法,强调如何基于环境而行动,以取得最大化的预期利益
- 强化学习的主要特点是 agent 可以根据当前的状态,选择一个动作,然后环境会根据这个动作给 agent 一个奖励,agent 根据这个奖励来判断这个动作是不是一个好的动作,然后不断的学习,最终学到一个最优的策略
- 强化学习的一个典型应用是机器人的自主导航,机器人在环境中移动,每移动一步,环境会给机器人一个奖励,机器人根据这个奖励来判断这个动作是不是一个好的动作,然后不断的学习,最终学到一个最优的策略
-
机器学习也常被用于结构化数据(Structured Data)和非结构化数据(Unstructured Data)的处理
- 结构化数据:数据常以表格的形式存在,每一行代表一个样本,每一列代表一个特征。意味着每个特征都有清晰的定义
- 非结构化数据:数据以图片、音频、视频、文本等形式存在,无法用表格的形式表示。例如图像中的像素值、文本中的某个单词......
-
下面的课程中,为更清楚解释算法原理会多用非结构化数据的例子
本文总阅读量:
次