神经网络与深度学习（一）

一、序列

人工智能的子领域：

• 神经网络：一种以（人工）神经元为基本单元的模型
• 深度学习：一类机器学习问题，主要解决贡献度分配问题

局部表示：一千种颜色一千种表示；分布式表示：RGB三值通过计算表示颜色

给出两个词就知道之间的关系

表示学习：如何自动从数据中学习好的表示
通过构建具有一定“深度”的模型，可以让模型来自动学习好的特征表示（从底层特征，到中层特征，再到高层特征），从而最终提升预测或识别的准确性。


表示学习与深度学习：
一个好的表示学习策略必须具备一定的深度

• 特征重用：指数级的表示能力
• 抽象表示与不变性：抽象表示需要多步的构造

f1,f2,f3等等的贡献度分配问题

不断嵌套非线性函数，提取特征，从简单函数到一个非常深的复合函数，一直到最外层才进行分类



确定贡献度：y对中间的参数w进行扰动，如果扰动Δw对y的变化较大，则w的贡献度越大

二、机器学习

2.1机器学习定义

机器学习定义：从有限的观测数据中学习（或者猜测）出具有一般性的规律，并利用这些规律对未知数据进行预测的方法；通过算法使得机器能从大量数据中学习规律从而对新的样本做决策
规律：决策（预测）函数

如何构建映射函数？
从大量数据中学习规律（function）x——>y
y连续是回归问题，离散则是分类问题

2.2 机器学习类型

回归问题（Regression):



分类问题（Classification）：



无监督学习：

强化学习：通过与环境进行交互来学习（不断试错）

• 监督学习：训练集为成对（x,y)样本，预测y=f(x)或者条件概率p(y|x）
• 无监督学习：训练集只有x,预测x的概率p(x)或者带隐变量z的p(x|z)（聚类，eg图片分类）
• 强化学习：训练集为智能体和环境交互的轨迹和累计奖励，优化目标是期望总回报

2.3机器学习的要素

根据数据类型不同分类：
监督学习问题：(x,y)。若y连续，则是回归问题；若y离散，则为分类问题
无监督学习问题：x。


θ是系数总称，包括权重w和偏执b


在真实数据上的E（期望）



步长先大后小

折中：小批量随机梯度下降法

2.4 泛化和正则化

机器学习关注的不是在训练集上的错误率，而是在整个数据分布上的错误率，也就是期望风险。但是我们真实概率不知道，所以我们用经验风险代替



所有损害优化的方法都是正则化

2.5线性回归

即最小二乘，算w算b

增广，加1维使直线过原点

eg:损失函数用平方损失函数

再

若xxT不可逆时：
共线时eg ： Xi+Xj=0； y=WiXi+WjXj+b 因此Wi 和Wj 可以非常多解也可以同时非常大而保持y=0时结果不变，所以加上约束

就是原基础xxT上对角线加上了λ，随之变成了可逆矩阵

2.6多项式回归

若线性则欠拟合；
y=f(x,w)中，设x=φ(x)



随着M（多项式的degree）的增大，曲线由欠拟合转化到过拟合

所以引入正则化项：

M=9时，确定λ的大小（对w惩罚的强弱，成正比） λ也是超参数，非常重要

另外控制过拟合：增加样本数量，经验风险趋向于期望风险

2.7 从概率角度看线性回归

2.8模型选择与“偏差-方差”分解

模型越复杂训练错误越低，这样会导致过拟合



模型选择就是在模型复杂度与期望风险之间寻找一个平衡