01 机器学习和深度学习简介

一、机器学习简介

---

• 机器学习是什么 —— 无序数据转化为价值
• 机器学习价值 —— 从数据中抽取规律，并用来预测未来（比如：淘宝可以根据你的浏览痕迹向你推荐商品，这就是一个典型的机器学习产生价值的例子）
• 机器学习应用举例

1. 分类问题:：图像识别、垃圾邮件识别、世界杯中摄像头选择的切换画面
2. 回归问题：股价预测、房价预测
3. 排序问题：点击率预估、推荐
4. 生成问题：图像生成、图像风格转换、图像文字描述生成

• 机器学习应用流程
  

• 职责

1. 数据处理（数据采集 + 数据去噪）
2. 模型训练（提取特征 + 训练模型）
3. 模型评估和优化（MSE、F1-score、AUC+调参）
4. 模型应用（A/B 测试）

---

二、深度学习简介

  深度学习是机器学习的一个子方向。机器学习包含多种算法，深度学习只是其中一种。

  
从上图中我们可以得出以下结论：

1. 机器学习是实现人工智能的方法。
2. 深度学习是实现机器学习算法的技术。一般来说，深度学习能够解决的问题都能够在机器学习的其他算法中实现。但是深度学习的优势就在于它能够在现在这个大数据的条件下能够达到更好的效果，是机器学习算法中其它算法达不到的。

---

深度学习算法集合

1. 卷积神经网络
2. 循环神经网络
3. 自动编码器
4. 稀疏编码
5. 深度信念网络
6. 限制玻尔兹曼机
7. 深度学习+强化学习=深度强化学习

---

深度学习进展

  

1. 图像分类：在2012年举办了一个著名的图像分类的比赛 IM GENET，IM GENET 是一个斯坦福教授采集的一个图像数据集，该数据集里面有 22000 个类，在这个比赛中，只用了 1000 个类作为数据集去比赛。

  
之前使用传统的方法 SIFT+Fvs 做图像分类，它的错误率达到了 26% 左右。但是自从 CNN 出现后，大家不停地进行改进，直到最后 Google 的 NASNet 错误率降到了 5% 左右。

  

2. 机器翻译

  机器翻译得到的发展就是来自于循环神经网络。
  
  

3. 图像生成

  比如前几年比较火的将你随手拍的一张图片转换成不同艺术风格的图片。

  

  另外一种就是像素级别的图片翻译，比如将一张素描图填充颜色。

  
  还有一种就是图像超清化。比如在微信上发送图片时，图片会被压缩，但是在看的时候不会看出差别。这里面隐藏的技术就是展示压缩后的图片时用了超清化的技术。同理在网盘上也可以使用同样的方法来节省带宽。