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。

 YI时间|外刊|MM-DFW机器学习系列
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,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(背景是灰色的模型统称为Deep Generative Model(深度生成网络)。


广义来说,深度学习包括Deep Generative Model(深度生成网络)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

深度学习基础聊一聊从感知机到神经网络

深度学习Bible学习笔记:第六章 深度前馈网络

中公的深度学习培训怎么样?有人了解吗?

神经网络与深度学习——《机器学习及应用》汪荣贵 机械工业出版社

水很深的深度学习-Task03前馈神经网络

零基础构建神经网络:使用PyTorch从零编写前馈神经网络代码