毕业设计第一周学习心得

01绪论

人工智能、机器学习、深度学习的关系

人工智能的三个层面

逻辑演绎VS归纳总结

知识工程VS机器学习

对比下来机器学习具有省时省力、灵活性强、轻松、客观的优点

 机器学习的定义

 机器学习怎么学

 模型的分类

 数据标记分为监督学习模型和无监督学习模型

 半监督学习和强化学习

 数据分布分为参数模型和费参数模型

 建模对象分为判别模型和生成模型

 02深度学习概述

深度学习的“不能”之处

算法输出不稳定，容易被“攻击”

模型复杂度高，难以纠错和调试

模型层级复合程度高，参数不透明

端到端训练方式对数据依赖性强，模型增量性差

专注直观感知类问题，对开放性推理问题无能为力

人类知识无法有效引入进行监督，机器偏见难以避免

深度学习的“不能”和解释性

 03神经网络基础

生物神经元与M-P神经元

万有逼近定理

 

 神经网络每一层的作用

 深层神经网络的问题：梯度消失

粗略的学习了如何使用Colaboratory和谷歌云盘，与之前的课程学习是不一样的体验

查看了程序在使用哪一个GPU

查看了RAM的大小

接着学习了pytorch

简单定义数，一维数组，二维数组，任意维数组等

定义了一些操作

加减乘除，拼接矩阵，数量积，转置矩阵等操作

统计直方图

 

 拼接矩阵

接着学习了螺旋数据分类，参照小学期学习了仲国强老师的人工智能综合实践略有一些记忆，对代码有了新的理解

首先可视化数据

 构建线性模型分类

 

 准确率只能达到51.4%且损失较高，说明对于复杂的数据分布，线性模型不能实现准确的分类

可视化数据分类

接着为了提高准确率降低损失构建了两层神经网络分类

在两层之前引入了非常重要的ReLU激活函数

最后得到的结果相同的训练次数，损失大幅降低，精确度大幅提高达到94.4%

最后可视化两层神经网络的数据分类

 由此得出ReLU激活函数，对于降低损失，提高分类的准确率十分重要