【人工智能】神经网络与深度学习体系(二)

神经网络与深度学习

第二章 机器学习概述

一、关于概率的一些基本概念

1. 概率(Probability)
  • 一个随机事件发生的可能性大小,为0到1之间的实数
2. 随机变量(Random Variable)
  • 比如随机掷一个骰子,得到的点数就可以看成一个随机变量X,其取值为{1,2,3,4,5,6}
2.1 离散随机变量

请添加图片描述
请添加图片描述

2.2 连续随机变量

请添加图片描述
请添加图片描述
请添加图片描述

3. 概率分布(Probability Distribution)

请添加图片描述

4. 随机向量

请添加图片描述

5. 条件概率

请添加图片描述

6. 采样(Sampling)

请添加图片描述

7. 如何进行随机采样?

请添加图片描述
请添加图片描述

8. 期望(Expectation)

请添加图片描述

9. 大数定律(Law of Large Numbers)

请添加图片描述

二、机器学习定义

1. 机器学习 ≈ 自动构建一个映射函数

请添加图片描述

2. 为什么要“机器学习”?
  • 现实世界的问题都比较复杂
    • 很难通过规则来手工实现
3. 如何构建映射函数?
  • 从大量数据中学习规律
4. 机器学习定义
  • 机器学习:通过算法使得机器能从大量数据中学习规律从而对新的样本做决策。
  • 规律:决策(预测)函数
    请添加图片描述

三、机器学习类型

  • 回归问题(Regression):电影票房预测,股价预测,房价预测
  • 分类问题(Classification):手写数字识别,人脸检测,垃圾邮件检测(Spam Detection)
  • 聚类问题:图像聚类(Clustering Images)
  • 强化学习:通过与环境进行交互来学习(AlphaGo)
    请添加图片描述
1. 典型的监督学习问题
  • 回归 y是实数
  • 分类 y是离散值
2. 典型的无监督学习问题
  • 聚类
  • 降维
  • 密度估计

四、机器学习的要素

1. 机器学习的四个要素
  • 数据 -> 模型 -> 学习准则 -> 优化算法
2. 模型

请添加图片描述

3. 学习准则

请添加图片描述
请添加图片描述
请添加图片描述

4. 最优化问题
  • 让一阶导等于0,求极值点的方法
    请添加图片描述
  • 梯度下降法(Gradient Descent)
    请添加图片描述
    请添加图片描述
5. 随机梯度下降法(Stochastic Gradient Descent,SGD)

请添加图片描述
请添加图片描述

五、泛化与正则化

1. 机器学习 = 优化?

请添加图片描述

2. 泛化误差

请添加图片描述

3. 如何减少泛化误差?
  • 优化:经验风险最小
  • 正则化:降低模型复杂度
4. 正则化(Regularization)

请添加图片描述

  • 提前停止
    请添加图片描述

六、线性回归

1. 回归(Regression)

请添加图片描述

2. 线性回归(Linear Regression)

请添加图片描述

3. 经验风险最小化(Empirical Risk Minimization,ERM)

请添加图片描述

4. 矩阵微积分

请添加图片描述

5. 经验风险最小化

请添加图片描述

6. 结构风险最小化

请添加图片描述

七、多项式回归

1. 曲线拟合(Curve Fitting)

请添加图片描述

2. 多项式曲线拟合(Polynomial Curve Fitting)

请添加图片描述

3. 损失函数

请添加图片描述

4. 如何选择多项式的次数(Degree)?

请添加图片描述

请添加图片描述

5. 控制过拟合:正则化(Regularization)

请添加图片描述
请添加图片描述

6. 控制过拟合:增加训练样本数量

请添加图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

柠檬小帽

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值