Python Deep Learning 简明教程

Python Deep Basic Machine Learning

人工智能 (AI) 是一种让计算机模仿人类认知行为或智能的代码、算法或技术。机器学习 (ML) 是 AI 的一个子集，它使用统计方法使机器能够通过经验进行学习和改进。深度学习是机器学习的一个子集，它让多层神经网络的计算变得可行。机器学习被视为浅层学习，而深度学习被视为具有抽象功能的分层学习。

机器学习涉及广泛的概念。概念如下所示 −

  1. supervised

  2. unsupervised

  3. reinforcement learning

  4. linear regression

  5. cost functions

  6. overfitting

  7. under-fitting

  8. hyper-parameter, etc.

在监督学习中，我们学习根据标记数据预测值。一种能在此方面提供帮助的 ML 技术是分类，其中目标值是不连续的值；例如，猫和狗。机器学习中的另一种可能提供帮助的技术是回归。回归根据目标值工作。目标值是连续值；例如，可以使用回归来分析股市数据。

在无监督学习中，我们从未标记或未结构化的输入数据中进行推理。如果我们有数百万份医疗记录，并且我们必须理解它，找出其基本结构、异常值或检测异常情况，那么我们会使用聚类技术将数据分成广泛的群集。

数据集分为训练集、测试集、验证集等。

2012 年的一项突破使深度学习概念变得突出。一种算法使用 2 个 GPU 和大数据等最新技术将 100 万张图像成功分类为 1,000 个类别。

Relating Deep Learning and Traditional Machine Learning

传统机器学习模型遇到的一个主要挑战是一个称为特征提取的过程。程序员需要具体说明并告诉计算机要寻找的特征。这些特征将帮助做出决策。

将原始数据输入算法很少能够起作用，因此特征提取是传统机器学习工作流程的关键部分。

这给程序员带来了巨大的责任，而且算法的效率在很大程度上取决于程序员的创造力。对于对象识别或手写识别等复杂问题，这是一个巨大的问题。

深度学习具有学习多层表示的能力，是少数能够帮助我们进行自动特征提取的方法之一。可以假定较低层可以执行自动特征提取，几乎不需要程序员的指导。