特征向量、标签、模型、算法
- 特征向量:用于解决问题的一系列属性
- 标签:我们想要预测的目标
- 模型:function的集合。用于预测的规则
- 算法:生成模型的程序
举例
我们去卖西瓜,为了挑一个好的西瓜,我们需要看看西瓜的颜色,瓜秧,形状,还要拍一拍听听西瓜的声音等。这些西瓜的属性就是特征向量。好的西瓜即我们的目标也就是标签。好的西瓜的响声咚咚响,形状比较圆,瓜皮颜色深绿等,我们的这些日常经验就是挑选西瓜时的参考,在深度学习中即为模型。
训练集&测试集
- 训练集(training data):训练模型过程使用的数据集
- 测试举(testing data):测试模型过程使用的数据集
深度学习过程
监督学习、非监督学习、强化学习
- 监督学习(Supervised learning):对于给定的数据集x,都有对应的标签y与之对应。简而言之对于给定对象我们对他有一个期望的输出。典型代表有回归问题、分类问题。
- 非监督学习(Unsupervised learning):对于给定的数据集x,通过学习给我们某种结构或者分类。简而言之,对于给定的对象,我们想看一下他会有什么样的输出。典型代表聚类问题。
- 强化学习 (Reinforcement learning):通过尝试或犯错来寻找规则。
举例
公式中x,y,d,m的意义
- x代表特征(西瓜的颜色,瓜秧,响声)
- y代表标签(好瓜、坏瓜)
- d代表维度(一个西瓜的特征的个数)
- n代表样本的个数(有几个西瓜)
- R代表定义域
记录菜鸡学习深度学习的过程。