机器学习笔记Day1（如有侵权，请联系作者删除本帖）

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

、、