【机器学习记录随笔-入门篇】

【机器学习记录随笔-入门篇】

第一章 什么是神经网络

---

---

前言

提示：这里可以添加本文要记录的大概内容：

本人是18年网络工程专业毕业的，19年的时候开始自学机器学习、深度学习等相关内容。但是由于之前的工作都是传统行业，没接触过相关的工作从而没能持续学习。23年由于上一份工作原因，身心俱疲，想休息一段时间来着。裸辞第三周，当前公司找到了我，和公司的CIO沟通了，包括当前AI现状及接下来的发展。也讲了一些公司接下来的发展计划及方向。本人非常感兴趣，因此中断了原休假计划，拾起了机器学习相关的知识，现在开始逐步接触AI相关的内容。目前工作内容包括后端系统搭建、大模型微调、算法搭建相关的内容。因此想记录自己接下来的一步一步的工作，完成本系列相关的内容。
本系列:
目的一、总结之前学习的内容+持续更新相关内容。
目的二、相关算法推导+优秀课程推荐。
目的三、国内外优秀论文推荐。
欢迎各位留言咨询，本人知无不尽。

一、什么是机器学习？

机器学习是人工智能（AI）的一个分支，它使计算机系统能够从数据中学习和改进，而无需进行明确的编程。简单来说，机器学习涉及开发算法和统计模型，使计算机能够执行任务，而这些任务是根据模式和推断而非直接的指令完成的。

二、如何模拟大脑？

首先先大概讲一下大脑的运作流程：
大脑中其实是有很多的微小的神经元构成的，同时也是由这些微小神经元的运作来支撑大脑的运作的。
一个典型的神经元由以下部分组成：
细胞体（Soma）：细胞体包含细胞核，是神经元的“控制中心”。
树突（Dendrites）：这些是细胞体周围的分支结构，它们接收来自其他神经元的信息。
轴突（Axon）：这是一个长细胞突，负责将信息从神经元传输到其他神经元。
突触（Synapses）：神经元与其他神经元的连接点，信息在这里从一个神经元传递到另一个神经元。（关于神经元这块，我后期会去查找有哪些好一点的材料，如果各位有好的材料也可以分享一下哈）

按照数学来理解：每一个神经元就像是一个函数一样 f(x) = y。
其中 f就是神经元内部运作的逻辑，x就是神经元接受的电信号，y就是神经元输出的电信号。多个神经元共同运作就像是不同函数组合一样。
而每一个神经元未必只有一个输入，
所以你可以简单理解为是一个多元一次方程。
y = w1x + w2x +w3x + … + b

举例就是：
比如你准备周末去海边玩，那最终去不去你可能会判断几个因素，而不同因素可能对你的影响程度又不同，这个影响程度我们就简称为权重：

事项	权重
海边人多不多	0.2
周末天气如何	0.2
周末是否需要加班	0.6

如果以y来表达你周末会去海边的概率，则y = 海边人多不多 * 0.2 + 周末天气好坏 * 0.2 + 周末是否需要加班 * 0.6
（我们简单将因素分为了多不多、好坏、是否加班，这种伯努利分布的。相当于是简化了一下）
如果海边人不多，天气坏，周末不需要加班，则你去海边的概率是：0.8
如过海边人不多，天气好，但是周末你需要加班，则你去海边的概率是：0.4。

机器学习的预测就和上面的类似了。

这里可能有一些疑问点：
1、我上面的都是数字，那文字、图片、声音等都不是数字啊？怎么用上述的公式
2、你是怎么知道上述的权重的？你这个权重对我不适合啊？机器又是如何选择这个权重的啊？
别急后面一一解答。

三、文字、图片、声音等如何用的上述公式

在计算机的底层，所有的内容其实都是通过011001，这种二进制来表示的。因此文字、图片、声音等都是可以转成数字的。只是不同的转换有不同的方式。接下来一一举例说明。
图片：
为何先讲图片，其实是图片相对来讲更简单一些。
科普：电脑展示图片的几种方式
先扔上一个连接，大家对于电脑展示颜色感兴趣的可以看一下这个链接的内容。
简单来讲，就是在电脑中可以通过3个颜色的组合，拼凑出人类肉眼可见的所有颜色。也就是所谓的RGB模式。RGB模式由红绿蓝组成，其中每一个颜色都可以展示不同程度，程度的可选的区间是0-255。这样将来，图片就可以用3个0到255的矩阵组成。（什么是矩阵？你简单理解就是一个2维的长方形，内部又是一个个的小格子，用来存储0-255的数字 ）
矩阵的相关知识
其实总结一下图片的展示内容大家可以得出一些规律：
1、电脑不能凭空创造颜色，而是基于人类定义的规则才能展示颜色。
2、人类在定义规则的时候，电脑更多是从人类定义的颜色区间内获取一个值做展示的。
文字:
基于上述的内容，我们来猜测一下文字是如何展示的。
聪明的人应该知道了，文字的展示，也是人类统计了一个词库，里面记录了所有的文字、符号等等。然后机器到词库内去获取我们要输入的词语所在的位置（下标）。
声音
这个我现在也不是很清楚如何记录的，先欠着。>。<

上述所有操作后，文档、图片等，都转成了用数字表达的内容。

权重是如何预测的，这个下一章再记录。本章都是一些基础概念及简单理解。
下次见