README.md

42丨当我们谈深度学习的时候，我们都在谈什么？

引入：

机器学习算法和深度学习有什么关联呢

了解深度学习

1. 数据挖掘 机器学习 深度学习 区别？ 概念？
2. 深度学习的大脑是如何工作的？
3. 有哪些常用的网络模型？
4. 深度学习三个重要领域 分别为？

区别

数据挖掘和机器学习在很大程度上是重叠的

• K-Means、
• KNN、
• SVM、
• 决策树
• 朴素贝叶斯

到底他们的区别是？

1. 数据挖掘

数据中提取规律模式（pattern）以及使用算法模型（model)核心，目的是找到这些数据变量之间的关系,强调从数据中挖掘价值

2. 机器学习是人工智能的一部分

通过训练数据和算法模型让机器具有一定的智能 ，通过机器的智能帮我们完成某些特定的任务

3. 深度学习属于机器学习的一种

通过神经网络使机器具有一定的智能。神经网络好比是机器的大脑 一开始是一张白纸，多次训练之后，大脑逐渐具备某种能力

4. 深度学习与传统机器学习最大的区别

深度学习会自己找到数据的特征规律！而传统机器学习往往需要专家（我们）来告诉机器采用什么样的模型...

神经网络如何工作

概念

1. 节点

神经网络是由神经元组成的，也称之为节点

2. 输入层

负责接收信号，并分发到隐藏层

3. 输出层

负责输出计算结果

4. 隐藏层

除了输入层和输出层外的神经网络都属于隐藏层

原理

1. 黑盒子

2. 提供

• 输入数据
• 输出数据

3. 自我训练
4. 通过前向传播和反向传播机制运作

前向传播 和 反向传播

1. 前向传播

• 数据从输入层传递到输出层的过程叫做前向传播

2. 反向传播

• 反向传播也叫作误差反向传播

• 代价函数对网络中的参数进行修正

3. 整个迭代过程 通过通过前向 - 反向传播迭代完成

• 达到指定的迭代次数或者达到收敛标准 - 停止

• 拿训练好的网络模型对新的数据进行预测。

常用的神经网络

FNN、CNN 和 RNN

FNN - 全连接神经网络

每一层的神经元与上一层的所有神经元都是连接的

CNN - 卷积神经网络 图像处理中有广泛的应用

• 卷积层
  • 把图像进行分块，对每一块的图像进行变换操作
• 池化层
  • 对神经元的数据进行降维处理
• 全连接层
  • 将上一层神经元输出的数据转变成一维的向量

RNN - 循环神经网络

• 神经元的输出可以在下一个时刻作用到自身
• 时间上传递的神经网络
• 场景:语音识别、自然语言处理等

深度学习网络往往包括了这三种网络的变种形成

包括 AlexNet、VGG19、GoogleNet、Res...

深度学习领域

• 图像识别
• 语音识别
• 自然语言处理

总结

引用内容版权声明

引用内容版权声明

极客时间版权所有: https://time.geekbang.org/column/

Copyright (c) 2019 Copyright Holder All Rights Reserved.