Chapter 1
深度學習基本概念:
“Machine Learning ≈ Looking for function”
我们训练模型,编写机器学习代码,目的在于让计算机处理我们的输入,并得到一个输出结果,这与函数的性质非常的相似.因此,我们可以简单的将机器学习理解为寻找一个合适的函数,一个包含未知量的函数.
function("something we have") = "something we want"
Different types of Functions:
根据我们的需求不同,函数的输入输出(尤其是输出)可以大致分为三类:
1.Regression:The function outputs a scala.
就是输出数值的函数,for example:
function(PM2.5 today , temperature , ...) = (PM2.5 of tomorrow)
这个例子想必大家并不陌生,前几年国内空气污染严重,每天的天气预报有一项PM2.5的数值,高了我们就可以不去上学在家摸鱼了.
那天气预报该怎么预先了解到明天的数值呢,当然不是通过瞎猜或者其他什么米奇妙妙方法,是靠某个公式,输入一些气象数据,比如今天的PM2.5值,温度湿度大气压什么的,通过一系列的计算获得明天的数值.
具体这个公式怎么找到的,参数如何,交给明天的我们考虑吧.
2.Classification:Given options(classes),the function outputs the correct one.
这种函数是输出一个选项(类型),最经典的就是yes or no,当然这个类型可以是多个,但都是我们预设(Given options(classes))好的,用这种函数的机器无法输出我们预设之外的结果,for example:
function("An e-mail") = (yes/no)
我们现在的邮箱都很智能了,可以自动给你屏蔽一些垃圾邮件,不会再出现以前那种被各种小卡片和开锁广告塞满信箱的问题了(这个真的很烦,他还会打开你邮箱的锁贴到里面去,告诉你他的开锁技术真的很强).
那么你的QQ邮箱(举例)是怎么知道这封邮件是垃圾邮件的呢,自然也是读取了一些内容作为参数,发信人,邮件标题邮件内容等,然后扔进一个函数里面判断,最后给出"是垃圾邮件"或"不是垃圾邮件"的结果.邮箱不会在你问他是或不是的时候跟你说钝角,因为我们预设了只有是或不是两种输出结果,不出五行之中.
3.Structure Learning:create something with structure(like image,documents)
我丢,问题一下子复杂了好多哦!
前面两种在这第三种面前简直是小巫见大巫,但这第三种也是我们最希望机器学习实现的东西,我们需要ta输出复杂的内容,简单的判断和计算根本用不上机器学习的好叭(杀鸡用牛刀了属于是),我想要ai帮我做作业,给我画点好康的.这些真实情景的输入和输出都是带有结构(structure) 的复杂内容.也就是:
function("An image or a sentence") = ("another image")
我们暂时不用深入讲述这一类学习,对于还是新手的我们实在是太复杂了呜呜,就像我小时候刚学会怎么拿笔就被老师强行拉去参加书法比赛,路飞刚学会二档就去打凯多,鸣人刚会影分身就去打辉夜一样,是十分不科学的教学方式.
*[HTML]:
![](https://i-blog.csdnimg.cn/blog_migrate/51252b2a48f2f73d5f914510122f4c6f.jpeg)