深度学习笔记1-机器学习和深度学习概述

1.机器学习（MachineLearning，ML）是当前比较有效的一种实现人工智能的方式。 

   深度学习（DeepLearning，DL）是机器学习算法中最热门的一个分支，近些年取得了显著的进展，并替代了大多数传统机器学习算法。

2 . 机器学习 ：机器学习是专门研究计算机怎样模拟或实现人类的学习行为

以获取新的知识或技能，重新组织已有的知识结构，使之不断改善自身的性能。

 2.1  机器学习的实现 ：  训练和预测 ，类似于 归纳和演绎

归纳 ：从具体案例中抽象一般规律。

演绎 ： 从一般规律推导出具体案例的结果。

2.2  机器学习的方法论

“机器思考”的过程中确定模型的三个关键要素：假设、评价、优化。

模型有效的基本条件是能够拟合已知的样本。

衡量模型预测值和真实值差距的评价函数也被称为损失函数（损失Loss）。

模型假设、评价函数（损失/优化目标）和优化算法是构成模型的三个关键要素。

3 . 深度学习 

机器学习算法理论在上个世纪90年代发展成熟，在许多领域都取得了成功，但2010年以后深度学习异军突起。

它与 机器学习 两者在理论结构上是一致的，即：模型假设、评价函数和优化算法，其根本差别在于假设的复杂度。

3.1 .神经网络的基本概念

人工神经网络包括多个神经网络层，如：卷积层、全连接层、LSTM等，每一层又包括很多神经元，

超过三层的非线性神经网络都可以被称为 深度神经网络。 深度学习的模型可以视为是输入到输出的映射函数.

3.2 深度学习改变了 AI应用的研发模式

3.2.1 实现了 端到端的学习

数据充足的情况下,不需要专门做特征工程，将原始的特征输入模型中，模型可同时完成特征提取和分类任务

3.2.2 实现了深度学习框架标准化

以前的工程师需要储备大量数学和行业知识 ，建造模型及其个性化，

而今，“深度学习工程师”进入了工业化大生产时代，只要掌握深度学习必要但少量的理论知识，掌

握Python编程，即可在深度学习框架上实现非常有效的模型，甚至与该领域最领先的模型不相上下。