机器学习 之 keras

摘自keras中文文档:
http://keras-cn.readthedocs.io/en/latest/for_beginners/concepts/#_5

对新手友好的小说明

虽然这不是我们应该做的工作，但为了体现本教程对新手的友好，我们在这里简单列一下使用keras需要的先行知识。稍有经验的研究者或开发者请忽略本节，对于新手，我们建议在开始之前，确保你了解下面提到的术语的基本概念。如果你确实对某项内容不了解，请首先查阅相关资料，以免在未来使用中带来困惑。
学习教程:
http://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/00138681965108490cb4c13182e472f8d87830f13be6e88000

关于Python

1. 显然你应对Python有一定的熟悉，包括其基本语法，数据类型，语言特点等，如果你还不能使用Python进行程序设计，或不能避免Python中常见的一些小陷阱，或许你应该先去找个教程补充一下。
2. 你应该有面向对象的概念，知道类、对象、封装、多态、继承、作用域等术语的含义。
3. 你应该对Python的科学计算包和深度学习包有一定了解，这些包包含但不限于numpy, scipy, scikit-learn, pandas…
4. 特别地，你需要了解什么是生成器函数（generator），以及如何编写生成器函数。什么是匿名函数（lambda）

关于深度学习

由于Keras是为深度学习设计的工具，我们这里只列举深度学习中的一些基本概念。请确保你对下面的概念有一定理解。

1. 有监督学习，无监督学习，分类，聚类，回归
2. 神经元模型，多层感知器，BP算法
3. 目标函数（损失函数），激活函数，梯度下降法
4. 全连接网络、卷积神经网络、递归神经网络
5. 训练集，测试集，交叉验证，欠拟合，过拟合
6. 数据规范化

个人见解:

就本人而言,对于这些概念理解得只是浅显,但这并不妨碍我学习keras

Python

1. Python的基础语法,入门非常简单,基本上能够去网上刷编程题就差不多了.推荐pat,可以刷Python3.6
2. 类、对象、封装、多态、继承、作用域,学过Python,java或者c++其中一门语言理解这个应该很轻松吧.
3. 科学计算包和深度学习包,这个我还真没了解过,一边学习keras一边了解吧
4. 生成器函数:g = (x * x for x in range(10)),迭代一个数生成一个数,节约大量空间; 匿名函数: Java里经常用的是匿名内部类,Python用的是匿名函数,理解lambda的同学,对这个应该很熟悉: f = lambda x:x**2

深度学习

1.有无监督学习:
http://www.mamicode.com/info-detail-864748.html

1). 有监督学习:分类和回归
2). 无监督学习:http://blog.csdn.net/american199062/article/details/51475006
3). 分类: http://blog.csdn.net/chl033/article/details/5204220
4). 回归: http://blog.csdn.net/viewcode/article/details/8794401

2.神经网络:
http://baike.baidu.com/link?url=zv4qwFA7-hbXNh7K3zgDHLiwFk5V5q-zXeqPXr2joOnWwZeSnvDatR2T9KHzerTp48Jaq_Uj1WXJ9oT5pbW0jTPGuNfb6XjTnBbWzZFmT0S9UN05mKLmZ8zWyFt0Jxb71SHawKT1NxxOFXj9A2IBpK

3.目标函数（损失函数）: http://blog.csdn.net/google19890102/article/details/50522945
激活函数:http://blog.csdn.net/losteng/article/details/50833861
梯度下降法:http://m.blog.csdn.net/yhao2014/article/details/51554910

4.全连接网络、卷积神经网络、递归神经网络:
https://www.zhihu.com/question/34681168

5.训练集，测试集，交叉验证，欠拟合，过拟合
http://blog.csdn.net/er8cjiang/article/details/50981426
http://www.cnblogs.com/lanying/p/4035092.html

6.数据规范化:
http://blog.csdn.net/meoop/article/details/40931731