深度学习之基础(一)

#baidu => buy vedio => dl basic

机器学习是一门不需要外部程序指示而让计算机有能力自我学习的学科；而学习是指对于经验(E)、任务(T)和性能(P),如果随着E的增加，在定义好的T下，提高P的表现能力，就说明计算机有学习的能力。

一.深度学习

DL是基于ML延伸出来的一个新领域，由以人大脑结构为启发的神经网络算法为起源加之模型结构深度的增加而发展，并伴随大数据和计算能力的提高而产生的一系列新算法。

1.神经网络:最著名的算法是backpropagation(bp反向传播)

2.多层向前神经网络(Multilayer Feed-Forward Neutral Network)： 

组成部分:输入层(input layer)、隐藏层(hidden layers)、输出层(output layers)。

每层由Unit单元组成(也可以叫做神经节点)。

输入层是有训练集的实例特征向量传入的。

经过连接节点的权重(weight)传入下一层，一层的输出是下一层的输入。

一层中进行加权求和，然后根据非线性方程转换输出。

理论上讲:作为多层向前神经网络，如果有足够多的隐藏层和足够大的训练集，可以模拟出任何方程。

3.设计神经网络结构:Q1:确定神经网络的层数.Q2:确定神经网络每层的次数

使用神经网络训练数据之前，必须确定神经网络的层数，以及单元个数；特征向量在被传入输入层时，通常被先标准化(normalize)到0和1之间(为了加速学习的过程)；离散型变量可以被编码成每一个输入单元对应一个特征可能赋的值；

神经网络可以用来做分类和回归问题:

对于分类问题，如果是2类，可以用一个输入单元表示（0和1分别代表2类）；如果多于两类，每一个类别用一个输出单元表示。所以输入层的单元数量通常等于类别的数量 。