本人是初学者一枚,写下笔记分享自己的一些见解,若有错误之处希望各位大神多多海涵,并请指出理解有误的地方,谢谢。
开始入坑机器学习,先来了解一下一些概念。
一、概念区分
- 模式识别
对事物进行分析,从而对该事物进行描述,以及辨认的过程。根据术语笼统的解释一下:对于机器而言,就是告诉机器这些物体有哪些特征,让机器对未知物体进行判断。(如:告诉机器,这朵牡丹花是xx色,有xx片叶子…,然后让它去看看其他牡丹花,看看能不能认出这是牡丹花)
- 机器学习
机器在大量样本中,自己去发现其中的特征并且提炼这些特征中的一些规律,再对未知的物体进行判断。(中国填鸭式教学就类似机器的模式识别,而自发对某方面感兴趣就主动学类似机器学习)
- 深度学习
深度学习是机器学习的一个子类,需要很强大的计算能力,是神经网络的一个衍生。
神经网络和决策树,这里简单的图示一下。
- 决策树
- 神经网络
二、相关名词解释
-
二值化
图像像素点的值只有0和255(黑白图效果),作用是:可以保留想要的像素点去除干扰的像素点。
-
灰度化
图像像素点的值在0-255之间(注意区别于二值化),图像有不同的灰度等级。
-
标量(scale):数学概念,笼统的概括,有大小无方向的量。
-
矢量:数学概念,也叫向量、欧几里得向量,笼统的概括,有大小有方向的量。
-
线性组合:抽象的向(矢)量乘标量再相加。
-
线性函数/非线性函数
线性函数:一次函数,直线方程
非线性函数:除一次函数意外的函数,如抛物线,指数函数… -
0均值化
对于一组数据,每一个减去这组数的平均值。
------------------------------------------------------------------华丽分界线---------------------------------------------------------------------------------------
感谢以下文章给予我的帮助:
谈谈激活函数以零为中心的问题
数据预处理之中心化(零均值化)与标准化(归一化)