1 深度学习介绍
我们一提到人工智能就会想到机器人,其实机器人只是人工智能的容器,没有这个容器也是可以的,可以将人工智能分为三个方面
1.1 人工智能
1)弱人工智能
比如战胜全世界的Al-phaGo,它只会下象棋,但是辨识一下猫和狗的话,他就不知道怎么做
2)强人工智能
就是人类能干的脑力活动,它全部都能干
3)超人工智能
牛津哲学家,定义为在所有方面都比人类大脑聪明。
1.2 数据挖掘,机器学习和深度学习
随着大数据的兴起,数据挖掘技术出现,涵盖不限于统计学,数学,机器学习和数据库。
并运用在各种专业领域。
1.2.1 数据挖掘
一个数据的处理过程就是输入数据,对数据进行预处理,包括特征选择,规范化,降低维数,数据提升等。然后进行数据的挖掘与分析,在经过处理,比如模式识别、可视化等,最后形成可用信息的全过程。
所以就是从数据中找到有用的信息以及数据之间的特性
1.2.2 机器学习
机器学习也是一门交叉学科,但是和数据挖掘相比,机器学习更加注重算法的设计,让计算机从数据中学习规律,并利用规律对数据进行预测,因为与统计学联系紧密,所以就叫做统计学习方法。
1)监督学习
用给定的数据集学习得到一个函数,当新的数据来的时候可以根据这个函数来预测结果。常见的监督学习算法包括回归和分类。
2)无监督学习
无监督学习与监督学习相比,训练集没有人为标注的结果,常见的算法有聚类
3)半监督学习
是一种介于监督学习和无监督学习之间的算法
4)迁移学习
将已经训练好的模型参数迁移到新的模型来帮助新模型训练数据集
5)增强学习
通过观察周围环境来进行学习,每个动作都会影响周围环境,学习者对根据观察周围的环境来反馈。
传统的机器学习算法有以下几种:
线性回归模型,logistic回归模型
k-临近算法
决策树,随机森林(包含多个决策树的分类器),支持向量机,人工神经网络,EM算法,概率图模型
1.2.3 深度学习
深度学习的初级是人工神经网络,深度学习解决了机器学习不能很好解决的问题,比如图形识别、语音识别、自然语言处理等,大数据的兴起和高计算量的GPU促进了深度学习的发展。使更复杂的网络模型成为可能。
神经网络可以分为如下三个阶段
1)第一代神经网络:人工神经元模型
人们希望能够用计算机来模拟人的神经元反映的过程,将这个过程分为三个阶段
(1)输入信号线性加权
(2)求和
(3)非线性激活(阈值法)
2)第二代神经网络
第一代神经网络因为只能处理线性问题研究停滞不前,第二代神经网络发明了适用于多层感知器的BP算法,并用sigmoid进行映射,有效解决了非线性问题,引发第二次神经网络热潮,但是由于神经网络一直缺少严格数学支持,并且BP算法被指出梯度消失的问题,使得误差梯度传到前层几乎为0,无法进行前层学习。后来决策树的兴起提供了统计学方法,并且出现了一系列算法,神经网络又有了初步发展。
3)第三代神经网络
快速发展期
2006年,Hinton提出了解决梯度消失的解决方案:无监督训练对权值进行初始化+有监督训练微调,但是没有实验验证,被忽视了,2011年,RELU激活函数被提出,能够有效的抑制梯度消失的问题。并且将深度学习应用在语音识别上。
爆发期
2012年,Hinton课题组参加了ImageNet图像识别比赛1.2.1
,通过构建CNN网络AlexNet一举获得冠军,并且碾压了第二名SVM的分类性能,2015年论证了局部极值问题对深度学习的影响,虽然深层网络的饿局部极值非常多,但是通过BGD优化方法很难陷进去。2015年提出了Deep Residual Net,
深度学习框架
DNN,CNN RNNGAN
接下来都会一一介绍。
2 学习本书之前建议
在学习本书之前可以看我的分类专栏
1 机器学习,还在更新中
2 深度学习基础-基于python的理论与实现