(一)人工智能、机器学习和深度学习的关系
-
AI>ML>DL
-
机器学习:让计算机通过算法学习,获得数据中的规律,利用规律对新样本进行预测
-
人(婴儿)通过经验总结规律识别物体;机器(计算机)通过从历史数据中总结模型预测新输入
(二)机器学习的学习形式分类
- 有监督学习(supervised learning):输入的数据含有正确输出(区分方法)的标签,以便被输入某个数据时,能得到相应的正确输出
适用于:线性回归问题
- 无监督学习(unsupervised learning):自己学习,不告诉机器数据的类别。其目的是让计算机从数据中找出数据的模式和规则。
适用于:关联规则抽取案例
- 半监督学习(semi-supervised learning):数据一部分有标记,另一部分没有标记。没有标记的数据数量大大超过有标记的。(标记数据工作量很多);通过局部标记的数据,总结规律,然后推广到无标记的数据中。
- 强化学习(reinforcement learning):让计算机自己不断去尝试,错误则惩罚、正确则奖励(马戏团训练动物);它虽然没有数据标记,但是有个延迟奖励机制,强调基于环境而行动
(三)神经网络
1、神经元模型
- 将神经元组合在一起,每个看成节点,组成更加复杂的升级网络
- 隐藏层为1层:单层神经网络;
- 通常研究一个问题时,输入、输出层的节点数固定、隐藏层的层数和节点数可自由变化
2、全连接网络:当前层的每个节点与前一层(或后一层)的每个节点都相连
3、激活函数:对前面的结果z做一个非线性化的处理a=f(z)
常见激活函数:
- S型函数(输出介于0-1之间)
- 修正线性单元激活函数(ReLU)