深度学习接下来的发力方向: 计算机视觉【图像数据建模处理】、自然语言处理【文本数据建模处理】;
深度学习现存问题:在神经网络当中几千万/几亿的参数,计算量太大导致一些移动端的速度太慢了。
深度学习在医学当中的应用:监测基因组合、细胞变异等。
用神经网络去实现变脸操作:主要就是因为像素点上的值不一样,所以呈现出来的人脸是不一样的。增强清晰度——分辨率的重构;
几万/几百万的数据用深度学习算法,量比较小的数据用传统人工只能算法和深度学习算法基本看不出差距;
1. 深度学习是机器学习的一部分。机器学习流程:数据获取 --> 特征工程 --> 建立模型 --> 评估与应用
2. 特征工程的作用:【注:深度学习解决了怎么样提取特征的问题;数据预处理和特征的提取是人工智能的核心;】
(1)数据特征决定了模型的上限;(2)预处理和特征提取是最核心的;(3)算法和参数选择 决定了如何逼近这个上限;
KNN 算法
【K近邻算法】:
(1)计算已知类别数据集中的点 与当前点的距离;
(2)按照距离依次排序;
(3)选取与当前点距离最小的K个点;
(4)确定前 K个 点四点所在类别的出现概率;
(5)返回前 K 个点出现频率最高的类别最为当前点预测分类;