课时62 非线性假设
线性回归和逻辑回归都有这样一个缺点,就是当特征太多时,计算的负荷非常大。如在计算机视觉中,我们希望训练一个模型来识别视觉对象,例如识别一张图上是不是一辆车,方法是利用很多车和非车的图片,然后利用这些图片上一个个像素的值(饱和度或亮度)来作为特征。假如我们只选用灰度图片,每个像素只有一个值(而非RGB值),我们可以选取图片上两个不同位置的像素,训练一个逻辑回归算法,利用这两个像素的值判断图上是不是汽车。然而如果采用的是50*50的已经算小的图片,将所有像素视为特征,则有2500个特征,如果创建一个多项式模型,会有更大数量的特征,普通的逻辑回归无法处理,这时我们需要神经网络。
课时63 神经元与大脑
大脑能处理各种各样的事情,然而模仿它只需要一个单一的学习算法。
神经重接实验:耳朵把声音信号传给听觉皮层。如果切掉这个神经,将动物的大脑的神经与人脑的听觉皮层重新连接,这样从眼睛到视神经的信号最终将传到听觉皮层,结果表明听觉皮层将学会看。(这里的“看”代表了我们所知道的每层含义)如果对动物这样做,那么动物就可以完成视觉辨认任务,它们可以看图像,并且根据图像做出合适的决定。 类似的实验,躯体感觉皮质cortex也可以学会看。
因此,我们需要做的就是找出一些近似的或实际的大脑学习算法,然后实现它,让大脑自己学习如何处理这些不同类型的数据。
很多例子可以证明如果你能把几乎任何传感器接入到大脑