1、人工智能、机器学习、深度学习之间的关系
人工智能是一个宏大的愿景,目标是让机器像我们人类一样思考和行动,既包括增强我们人类脑力也包括增强我们体力的研究领域。而学习只是实现人工智能的手段之一,并且,只是增强我们人类脑力的方法之一。所以,人工智能包含机器学习。机器学习又包含了深度学习
2、神经网络与深度学习的关系
深度学习是神经网络的进阶版,只是在模型结构及优化算法等方面有不同,因此,深度学习应包含于神经网络内。
3、“深度学习”和“传统浅层学习”的区别和联系
浅层学习采取的是分段学习的手段,而深度学习采取的是端到端学习的手段。
4、神经元、人工神经元
神经元,又称神经细胞,是构成结构和功能的基本单位。
人工神经网络是受到人类大脑结构的启发而创造出来的。
5、MP模型
对不同的输入赋予不同的权重,然后对所有输入进行线性加权求和,判断和是否超过某一阈值,超过则输出1,否则输出-1。
6、单层感知机 SLP
单层感知机是二分类的线性分类模型,输入是被感知数据集的特征向量,输出时数据集的类别{+1,-1}。单层感知机的函数近似非常有限,其决策边界必须是一个超平面,严格要求数据是线性可分的。
7、异或问题 XOR
异或是对两个运算元的一种逻辑分析类型,当两两数值相同时为否,而数值不同时为真。
8、多层感知机 MLP
多层感知机是由单层感知机推广而来,最主要的特点是有多个神经元层。一般将MLP的第一层称为输入层,中间的层为隐藏层,最后一层为输出层。MLP并没有规定隐藏层的数量,因此可以根据实际处理需求选择合适的隐藏层层数,且对于隐藏层和输出层中每层神经元的个数也没有限制。
9、前馈神经网络 FNN
第0 层叫输入层,最后一层叫输出层,其它中间层叫做隐藏层。整个网络中无反馈,信号从输入层向输出层单向传播,可用一个有向无环图表示 。
10、激活函数 Activation Function
在人工神经网络的神经元上运行的函数,负责将神经元的输入映射到输出端。
11、为什么要使用激活函数?
如果不用激活函数,每一层输出都是上层输入的线性函数,无论神经网络有多少层,输出都是输入的线性组合,这种情况就是最原始的感知机。
12、常用激活函数有哪些?
Sigmoid函数、Tanh函数、ReLU函数、SoftMax函数等。
13、均方误差和交叉熵损失函数,哪个适合于分类?哪个适合于回归?为什么?
交叉熵损失函数用于逻辑回归,适用于预测概率,即分类问题模型,而均方误差损失函数用于线性回归,适用于预测数值,即回归问题模型。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。