前馈神经网络|从机器学习到深度学习
Posted 松子茶
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了前馈神经网络|从机器学习到深度学习相关的知识,希望对你有一定的参考价值。
点击上方 蓝字 ,关注给你写干货的 松子茶
众所周知,机器学习可以分为两大流派,即频率派和贝叶斯派,其中:
频率派(统计学习),根据具体问题有下面的算法(俗称"四化"):
正则化,如:在线性回归中L1(ℓ1-norm),L2(ℓ2-norm),LASSO(The Least Absolute Shrinkage and Selection Operator) 和岭回归(Ridge Regression)等
核化,如: Kernal SVM(核支撑向量机)
集成化,如:AdaBoost,RandomForest
层次化,如:Neural Network(神经网络),神经网络有各种不同的模型,有代表性的有:
MLP(Multilayer perceptron,多层感知机)
Autoencoder
CNN/ConvNet(Convolutional Neural Network)
RNN (Recurrent Neural Network)
上述中,这几种模型(背景是灰色)在深度学习领域中,统称为Deep Nerual Network(深度神经网络),这里"Deep"指是层次上的Deep或形式上的Deep 。
贝叶斯派(概率图模型PGM),根据图特点分为:
有向图——Bayesian Network(贝叶斯网络)。如果加入层次化后,有Deep Direct Netwrok(深度有向网络),其典型深度有向网络包括
Sigmoid Belief Network
VAE(Variational Autoencoder)
GAN (Generative Adversarial Network)
无向图——Markov Netwok(马尔可夫网络),如果加入层次化后,有deep Boltzmann machines(深度玻尔兹曼机)。
有向图+无向图——混合,如果加入层次化后,有Deep Belief Network(深度信念网络)
上述中,这几个加入层次化后(背景是灰色)的模型统称为Deep Generative Model(深度生成网络)。
从广义来说,深度学习包括Deep Generative Model(深度生成网络)和Deep Nerual Network(深度神经网络)。但现在我们解释深度学习时,更偏向于Deep Nerual Network。
参考主要书籍
Ian Goodfellow,Yoshua Bengio and Aaron Courville, Deep Learning. The MIT Press 2016.
Christopher M. Bishop, Pattern Recognition and Machine Learning. Springer 2006.
邱锡鹏. 神经网络与深度学习.机械工业出版社 2020年6月。
周志华. 机器学习. 清华大学出版社 2016年4月。
周志华等. 机器学习理论导引. 机械工业出版社2020年6月。
李航. 统计学习. 清华大学出版社2019年5月。
欢迎评论哦,纠错评论建议均可
-THE END-
以上是关于前馈神经网络|从机器学习到深度学习的主要内容,如果未能解决你的问题,请参考以下文章