小白机器学习总结

机器学习就是：从大量数据中学习并提取“特征s(肯定是很多个)”--再用提取的“特征”做事情。

特征s就是：一堆很高很高维的复杂高等数学公式

学习并提取的过程：将够足多的数据输入给“网络模型(各种算法结构性组成)”，最终生成“特征s”

 

在学习跑各种demo过程中，自己经常会很多问题，于是就查找答案解惑。将几个最帮助我进一步理解其中原理分享出来

1､什么时候用什么激活函数---深度学习：激活函数的比较和优缺点，sigmoid，tanh，relu

2､梯度消失和梯度爆炸情况详解

3､批量梯度下降(BGD)、随机梯度下降(SGD)以及小批量梯度下降(MBGD)的理解-----非卷积其它网络也有用到

4､池化层（pooling)和全连接层(dense)、卷积层--非卷积其它网络也都有用到

5､全连接的理解

6､深度学习中 Batch Normalization为什么效果好？---非卷积其它网络也都有用到

7､embedding层和全连接层的区别是什么？

8､CNN、RNN、DNN区别

感觉这些不够，实现太多了就分享自己知乎学习时认为好文章的收藏（图像识别与语音、翻译）