机器学习算法(4~5类)
//有标签有结果
监督学习(supervised learning):例如标签对图片,神经网络
非监督学习(unspervised learning):例如给图片,不给结果,让计算机自己分类
半监督学习(Semi-supervised learning):例如在少量有标签,大量没标签中, 进行学习和分类
//依靠经验
强化学习(reinforcement learning):机器人行为准则,给条件和结果,让机器人自己学习到达结果,例如,给机器人一个球,并给他判定进球。 AlphaGo
遗传算法(genetic algorithm):模拟计划理论,例如玩马里奥,让机器人不断玩,不断进化,最后选出最强的
神经网络
人工神经网络 VS 生物神经网络
人工神经网络工作:连接一开始就存在,通过 误差反向传递,更新神经元
生物神经网络工作:通过刺激,建立连接,
特征标准化
把输入的数据做处理(minmax normalization 趋整,std normalization趋平),让机器学习得出的结果不会太偏与推进机器学习的速度
神经网络
优化算法:神经网络是其中一种梯度下降的方法论,每次都能更具梯度下降得到一个最优解(但是通常最优解是不只一种),我们只能得到局部最优解。全局最优解就是追求真理的过
多维
卷积神经网络(CNN)
场景:图片数据(长宽高(RGB)),经过卷积得到高度更高的图片,最后分类
最佳实践:image->convolution->ma polling->convolution->ma polling->fully connected*2->classifier
循环神经网络(RNN)
场景:data RNN result 其中RNN会包含上次运算之后的记忆
最佳实践:长短期记忆(LSTM) 解决了回忆久远的东西会忘记。
LSTM模型:输入控制 LSTM-RNN(忘记控制) 输出控制
主线 - 分线
生成对抗神经网络(GAN)
场景:画家(Gennertor) 灵感 作品 鉴赏家(Discriminator) 名家作品
模型:Gennertor->随机数->作品->Discriminator->参考作品
强化学习
自编码(Autoencoder)
场景:图片 打码 还原 图片
结构:前部分(编码器)得到数据精髓,在通过神经网络得到结果,然后通过对比前后图片的误差对比前后的结果强化学习过程