AI作业5

1 人工智能、机器学习，深度学习之间的区别和联系
深度学习属于机器学习的一种方式，而机器学习又属于人工智能的一种方式。人工智能的两个关键的技能是深度学习和机器学习，机器学习是指让计算机系统自动地从数据中学习模型，并利用模型来进行预测或决策。深度学习使用深度神经网络来学习数据的特征表示。
2 神经网络与深度学习
“神经网络天然不是深度学习，但是深度学习天然是神经网络”——邱锡鹏。神经网络是深度学习的一种实现方式，深度学习可以有效调整神经网络模型，从而达到更好的推演效果
3深度学习和传统浅层学习的区别和联系
深度学习和传统浅层学习是机器学习的两个重要分支。
区别于传统的浅层学习，深度学习的不同在于：1、强调了模型结构的深度；2、明确突出了特征学习的重要性，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。
4 神经元，人工神经元
神经元是神经网络中的基本单元，它接收来自其他神经元的输入，进行加权求和，并通过激活函数将输出传递给下一层神经元。人工神经元则是对生物神经元的模拟，通常由一个加权求和器和一个激活函数组成。
5 MP模型
MP模型是一个简单的神经网络模型，它仅由一个人工神经元组成。单层感知机是MP模型的一种扩展，它可以处理线性可分的问题，但无法处理异或问题。多层感知机则是使用多个神经元和多个隐藏层来处理更加复杂的问题，其中的前馈神经网络是一种最常见的神经网络结构。
6．单层感知机
单层感知机是一种最简单的神经网络模型，它由一个输入层、一个输出层和一个神经元（或节点）组成。它可以用来解决二分类问题，其主要思想是将输入数据映射到一个输出类别上。
7．异或问题
异或问题是指一个二分类问题，样本数据的特征是两个二进制值，而输出类别为 0 或 1。就是一个输入是 0 或 1 的数据，输出结果也是 0 或 1，相同为0，相异为1
8．多层感知机
多层感知机是一种前馈神经网络模型，其可以用于解决各种分类和回归问题。它由输入层、输出层和多个隐藏层组成，每个隐藏层包含多个神经元。
9．前馈神经网络
前馈神经网络，是一种最常见的神经网络模型之一。在 FNN 中，信息流只能在输入到输出方向上单向传播，不允许有反馈或循环连接。FNN 是一种基于层次结构的模型，通常包括输入层、若干个隐藏层和输出层。在每一层中，神经元接收上一层的输出并通过权重进行线性组合，然后将结果输入到一个非线性的激活函数中，以得到下一层的输出。这个过程被称为前向传播。
10．激活函数的概念
激活函数是神经元中的一个重要组成部分，它将神经元的输出映射到一个非线性的范围内，从而使神经网络可以学习到非线性的函数。常用的激活函数包括sigmoid函数、ReLU函数和tanh函数等。
11．为什么要使用激活函数？
使用激活函数的原因是因为它能够引入非线性，使神经网络可以学习到更复杂的函数。如果没有激活函数，多层神经网络将只能表示线性函数。
12．常用激活函数有哪些？
常用的激活函数包括sigmoid函数、tanh函数和Softmax函数等。其中，sigmoid函数和tanh函数通常用于二元分类问题和回归问题，ReLU函数则通常用于深度神经网络中。
13．均方误差和交叉熵损失函数，哪个适合于分类？哪个适合
均方误差损失函数适用于回归，交叉熵损失函数适用于分类。因为均方误差损失函数，通过预测计算预测值与真实值间的误差的平方来衡量模型的优劣，适用于回归，而交叉熵损失函数通过概率分布q来表达概率分布p的困难程度，适用于分类。
均方误差函数和交叉熵损失函数