1、机器学习中的学习到底指什么?
以神经网络为例,向神经网络提供数据,并确定符合这些数据的神经元权重和偏置的过程就称为学习。
2、机器学习与优化理论的关系是什么?
机器学习中的学习 == 数学上的最优化,神经网络学习中,梯度下降就是其中一种求解参数的优化方法。
3、神经网络与最小二乘法的关系是什么?
神经网络与最小二乘法在本质上没什么区别,但是最小二乘法需要优化的参数很少。但是使用神经网络的话,它的内部具有很多很多的线性函数和非线性函数,需要优化的参数很多。但是神经网络可以拆开为子单元并行计算,这也就是GPU在神经网络计算中大放异彩的原因。
4、神经网络(深度学习)与工程应用
深度学习本身是一个解决高维度输入的强大工具,但是也只是工具而已。作为工程师,一定是具体问题具体分析。深度学习回归能力强,但是参数也很多,解释性弱。抖音可以根据你的喜好给你推荐,错了也没关系,谷歌翻译、siri...也是同样的道理。但是作为工业领域的工程师,如果解决的是实际问题,那么你就需要非常小心了。