深度学习入门系列-神经网络

Posted 2021-01-25 lh2018

机器学习　　

　　定义:机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。 专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

　  分类:根据训练集是否标注，9可以把机器学习分为监督学习（从标注好的训练集中训练出一个预测函数完成对未知数据的预测），无监督学习(训练集没有人为标注),半监督学习(介于监督学习和无监督学习之间),增强学习(机器为了达成目标，随着环境的变动，而逐步调整其行为，并评估每一个行动之后所到的回馈是正向的或负向的)。

　  应用:机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。

 

深度学习

　定义:深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。简单来说，深度学习（Deep Learning）就是更复杂的神经网络（Neural Network）。

• 　　目前为止，由神经网络模型创造的价值基本上都是基于监督式学习（Supervised Learning）的。在实际应用中，机器学习解决的大部分问题都属于监督式学习，神经网络模型也大都属于监督式学习。我们应该知道，根据不同的问题和应用场合，应该使用不同类型的神经网络模型。对于一般的监督式学习（房价预测和线上广告问题），我们只要使用标准的神经网络模型就可以了。而对于图像识别处理问题，我们则要使用卷积神经网络（Convolution Neural Network），即CNN。而对于处理类似语音这样的序列信号时，则要使用循环神经网络（Recurrent Neural Network），即RNN。还有其它的例如自动驾驶这样的复杂问题则需要更加复杂的混合神经网络模型。
• 　
• 　
• 深度学习大爆炸的原因是:

1. 大数据时代, 数据的爆发式增长
2. 计算机硬件技术的发展, 计算成本下降, 速度提高
3. 新算法的发明