机器学习与深度学习初体验

头大

别人头大不大我不知道，反正我头大的要死。
老师推荐的李弘毅教授的视频。
看完有点几点感触：
1.中英文教课是认真的嘛，
2.思路很清晰，机器学习及深度学习的三个步骤：函数（方法）设计，方法好坏判断，寻找最好的方法。
3.教学大纲并没有很好的表明，教授的授课很系统（并没有看完，79课，呵呵打扰了），但是我想有一节归
纳课也许效果不是一般的好
4.实战和理论并没有很好的结合，囫囵吞枣的学理论反正数学菜鸡的我理解不了许多。
总结：如果纯中文的话我想我能轻松很多很多。
些许心得：（学东西不总结不思考那就没意思了）
1.先得复习一下自己的人生观，嗯，木的毛病。
不提啥量子力学，因果律是信的。而且相信上帝不掷筛子。不管上帝掷不掷筛子，宏观下上帝是不掷的就行了，那么万事万物自然是有规律可循，如果两个东西有关系，一个东西x的改变会导致另一个东西y的改变，那么我认为这是线性的函数。当然y肯定有无数个自变量像下x，x1…
但x和y是线性的，一一对应的。
前提出来就好办多了。
把哲学变为数学就是有联系的两个变量肯定能用一个函数表达，当然你不一定写的出函数表达式。甚至你不一定能把变量用数学描述出来。
ok举个例子
人 = g （人的图片）
人的图片=h（图片数据）
哲学上讲毫无疑问这两个等号成立，数学自然可以得到一个函数
人 =i （图片数据）
i,就是计算机把存储的数据识别成人的算法，也是图片数据与人之间的联系。数学角度来讲，i=g(h( ))是最好的解决方法了。但计算机里这压根是不可能的事情
原因在于函数g是不可表达的，别说g无法表达，就连变量人的图片计算机都无法用数学表达（作为变量去运算）。
因此计算机想要把数据识别成人，只能靠解方程的另一种方法，列表法。
依靠大量的数据去列表模拟出i（），如此近似得出人与图片数据的哲学联系的数学表达方程。当然这个方程已经变成一个计算机程序了。
没错，上面这么多都不是机器学习，只是给我自己一个证明，为什么机器可以识别图片，为什么我感觉一开始李弘毅教授讲的和ai什么关系都没有。
机器学习说白了就是列表然后模拟函数，深度学习，也是如此。当然不要失望，所有的高大上都源于普通，人类，也是这么来的。还有，这真的难得要死。。。。。。。。。。。。。。。
2.这个主要讲机器学习是啥，机器学习主要是利用数据模拟函数。但不要以为这很辣鸡，很没用，其实这是很大的改变。以前程序是程序员自己写算法，但机器学习是机器自己写算法，授人以鱼不如授人以渔。（还是得举个例子，铁匠做一把雕刻刀叫雕刻师去仿造一个断臂的维纳斯。程序员就是铁匠，机器是雕刻师，你做不出来维纳斯，雕刻师也做不出来，不过你的高级是，雕刻师是你儿子。不过等雕刻师长大了说不定就能生个铁匠了）这是智能的开始。（当然不是说人类的人工智能刚开始，是我刚开始学）
3.机器学习与深度学习的关系，机器学习的一部分是线性分类器，深度学习其实是机器学习的子集。许多线性分类器的叠加，前一个线性分类器的输出成为后一个线性分类器的输入。
讲的可能不太对，特别是定义方面。但是意思就是那个意思，深度学习就是回归分析与分类算法的多次叠加。
至于为什么深度学习现在这么火，别人都说准确率高，其实我感觉吧，回归分析或者分类算法.有几千几万个参数准确率也不会低到哪去。
至于为什么深度学习火，我的理解是，更贴合人类的思维习惯，或者说，更贴合人类的表层思维习惯，更容易去理解，神经网络系统，一层分析线条，一层构造纹理，再特征，等等，比机器学习一刀斩更形象利于理解。一步一步来比较好受，一口气吃成胖子，大部分人gg。而且一层层来更符合人工智能中的人字。机器学习完全就是人造机器智能了。
4.李弘毅教授的第一步为什么是线性的已经解释了，
最难在第二步，判断好坏，理解不了（主要是loss函数里参杂的英文太多了。。。。）
第三步 选择最好，是利用导数的方法，递归就好，不会实现但是理解了
5.深度学习的第一步和机器学习差不多
第二步是利用动规的方法解决的不太难理解，不过不知道train时这个参数改变的优先级。没注意。。。
第三步迷了。