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