1. 人工智能通用方式:
提取合适特征集,将特征提供给机器学习算法。
2. 解决特征集难以提取的方法:
通过机器学习本身来发掘特征,即表示学习。
典型算法:自编码器
由一个编码器(encoder)和一个解码器(decoder)组成。encoder将输入数据转变为一种不同的表示,decoder将不同的表示转为原始的形式。
3. 变差因素:
解释观察数据,通常为不可被直接观察到却可以影响可观测的量。
如,分析语音记录时的,说话者的年龄、性别、口音等
4. 深度学习:
通过其他较简单的表示来表达复杂表示,解决了表示学习中的核心问题。
图来自《机器学习》一书,非原创
如上图,将一组像素映射到对象标识的函数非常复杂。深度学习将其分解为一系列嵌套的简单映射。图像为隐藏单元的可视化。可通过多层感知机组合简单概念来表示图像中人的概念。
5. 度量模型深度的方式:
方式一:基于评估架构所需执行的顺序指令的数目,即对应输出流程图中的最长路径。
方式二:将描述概念彼此如何关联的图的深度视为模型深度。
图来自《机器学习》一书,非原创
、、