深度学习
神经元网
一种模仿生物神经网络(动物的中枢神经系统,特别是大脑)的结构和功能的数学模型或计算模型,用于对函数进行估计或近似。
简单模型
a1~an为输入向量的各个分量
w1~wn为神经元各个突触的权值
b为偏置
f为传递函数,通常为非线性函数。
t为神经元输出
算法三大类
1 .监督学习(Supervised learning)
由训练资料中学到或者建立一个模式,并依此模式猜测新的实例
训练资料是由输入物件(一般是向量)和预期输出所组成。函数的输出能够是一个连续的值(称为回归分析)。或是预测一个分类标签(称作分类)。
一个监督式学习者的任务在观察完一些训练范例(输入和预期输出)后,去预测这个函数对不论什么可能出现的输入的值的输出。
分类、回归
2.非监督学习(Unsupervised learning)
无监督式学习(Unsupervised Learning )是人工智能网络的一种算法(algorithm)。其目的是去对原始资料进行分类,以便了解资料内部结构。有别于监督式学习网络,无监督式学习网络在学习时并不知道其分类结果是否正确,亦即没有受到监督式增强(告诉它何种学习是正确的)。其特点是仅对此种网络提供输入范例。而它会自己主动从这些范例中找出其潜在类别规则。当学习完成并经测试后,也能够将之应用到新的案例上。
无监督学习里典型的样例就是聚类了。聚类的目的在于把相似的东西聚在一起,而我们并不关心这一类是什么。因此,一个聚类算法通常仅仅须要知道怎样计算相似度就能够开始工作了。
聚类、数据降维
3.半监督学习(Semisupervised learning)
半监督学习的基本思想是利用数据分布上的模型如果, 建立学习器对未标签样本进行标签。