Cousera 上 神经网络大牛 Geoffrey Hinton 的课程,课程笔记整理与此。
Lec1
什么是机器学习?
(我的理解)定义一个函数,可能拥有巨量的变量及对应的参数,然后根据每个具体任务,提供输入到输出的数据样本,调整参数,使函数在给定输入下,输出逼近正确结果。
本质上就是定义了一种哈希方法,记住了大量的样本!而且是一种相似性哈希,目标是相似的输入输出也要尽可能的相似,至于什么是相似的,是由机器学来的,所谓泛化性(对未知样本的预测能力),就是依赖于这种哈希目标的准确率。所以可以理解见过的越多,准确率越高!但,现实世界中可能的输入到输出空间几乎是无限的!而且即使在当下的所谓大数据时代,很多领域中,这种已处理好的输入到输出的数据依然十分有限!但不管怎样,在最理想状况下(学习方法可以训练到逼近任何可能的函数,并且有所有可能情况的数据),这种方法还是非常有前景!
机器学习方法与传统的全部由规则写死的程序的比较
机器学习方法在面对新的数据样本的变化,只需在结合新的数据重新训练即可,而传统方法可能又要定义很多新的规则。虽然这种做法需要大量计算资源,但现在使用计算资源,比雇人写一个特定任务的程序的花费要小很多。
Lec3
神经网络训练方式:
通过最终输出值更接近目标值,而不是权重矩阵集合更接近理想的矩阵集合。
有了目标相对于loss的导