一、学习目标
1.学习相关数学基础公式及知识
2.了解机器学习相关技术
3.掌握神经元模型、感知机结构
4.学习BP算法
二、数学基础
1.矩阵知识
矩阵的计算、秩、变换、分解。
2.最小二乘法
3.常见概率分布
4.损失函数
5.信息论相关
关于各种熵的信息,详细可见我的《自然语言处理》第二课,统计学基础。
三、机器学习基础
包含的知识有:1.有监督、无监督学习,2.有监督的SVM、决策树、随机森林,无监督的聚类算法、降维算法。不会的请系统看我的《机器学习》专栏。
四、神经元模型(M-P模型)
整体框架如下,该模型只有一个神经元结构。
五、感知机与多层感知机
感知机模型相当于在M-P模型基础上,增加了神经元个数,形成一层感知机。多层感知机就是添加多层神经元。
下图中的红色直线就是一个感知机。
下图中,两条红线是一个多层感知机。
六、BP算法
BP算法,即反向传播算法,能够帮助神经网络自行调节参数,从而使得模型得到优化。主要思想是:在输出层计算输出结果和实际正确结果的误差,将该误差往回传播,让模型参数沿梯度下降方向变化,最终使得误差减少。
详细知识可见《自然语言处理》专栏第6 7课 神经网络和语言模型中队前向计算和后向传播过程的描述。
七、总结
深度学习是一门有技术门槛的一门课,需要对机器学习有所了解且拥有学习经历才能学习下去。