1.人工智能(AI):智能程序的科学(指展现出看似具有智能的行为的硬件或者软件)
2.机器学习:通过经验来改善预测的质量(机器学习算法是通过训练来学习的)
3.机器学习算法(有效的学习算法举例):
- 随机森林:可创建众多决策树来优化预测
- 叶贝斯网络:可利用概率法来分析变量和变量之间的关系
- 支持向量机:提供分类的实例给它,它就能创建模型,然后分配新的输入给其中一个类别
- 深度学习
4.深度学习:卸载特征定义的麻烦
深度学习避免了程序员必须承担特征定义(定义特征来对数据进行分析)或者优化(如何赋予数据权重以提供精确预测)的任务——这两件事情都由算法包办了。
5.深度学习如何做到卸载特征定义:
深度学习的突破时对大脑而不是世界建模。深度学习对大脑进行建模:我们的大脑学习做复杂的事情——包括理解原因和识别对象等,靠的不只是处理详尽的规则,还包括学习和反馈。在没有掌握详尽规则集的情况下,通过训练学习。
6.深度学习采用的方法:
把近似大脑神经元功能的,人工的,基于软件的计算机连接到一起,他们组成了一个”神经网络”。这个网络接收输入,分析它,对它做出判断,然后再接收自己判断是否正确的信息。如果输出错误,算法会对神经元之间的连接进行调整,而这将改变未来的预测。
7.深度学习的适用性:
深度学习并不是适合每一个问题。它通常需要用庞大数据集来进行训练。训练和运行神经网络还需要庞大的计算能力。它还有一个“可解释性”的问题——究竟神经网络是如何形成预测是很难知道的。
8.深度学习是如何工作的
深度学习牵涉到对人工的“神经网络”——一组相互接连的“神经元(基于软件的计算器)”的利用