关于深度学习的几个问题

机器学习：
监督学习：有数据有标签的
非监督学习：只有数据，没有标签。
半监督学习：用少量有标签样本和大量没标签样本
强化学习：从经验中总结提升
遗传算法：适者生存，不适者淘汰。

神经网络
卷积神经网络NN
循环神经网络RNN，
LSTM 长短期记忆，最流行的RNN技术之一。
自编码autoencoding：神经网络的非监督学习。
GAN生成对抗网络：

怎么检验神经网络：
数据分为训练数据和测试数据，7：3
误差曲线

交叉验证判断最优参数

为什么要特征标准化：特征数据标准化，归一化
误差=预测-真实

怎么区分好用的特征：
判断特征对于结果的影响程度。

为什么需要激励函数：sigmon,relu,tah,
线性方程：y=wx
非线性方程：y=AF(wx)
卷积神经网络用：relu
循环神经网络：relu，tah

什么是过拟合：
过拟合中w往往比较大，可以通过L1/L2正规化来解决，让学出来的曲线不过拟合。

加速神经网络训练：
1.数据拆分，SGD
2.w+=-learning rate *dx
3.AdaGrad:
4.RMSProp
5.Adam

处理不均衡数据：
1.想办法获取更多的数据
2.换评判方式。
Confusion Matr