机器学习、深度学习入门级解释

机器学习：

概念：

让机器具有学习的能力。想象一下2岁的宝宝是怎么学习的。你给他看一只狗狗的图片（假设是白色中等体型），告诉宝宝，这是一只小狗狗哦。下次宝宝再见到类似的狗狗（黄色中等体型，或者小型），他会脱口而出，狗狗。这表明他学到了。但是如果今天遇到一只黑色的很大的狗狗呢。宝宝不知道了，又需要你告诉他这是大黑狗狗，也是狗狗哦。宝宝学到了原来这也是狗狗。所以只要你告诉五六种狗狗的样子，宝宝基本能识别出大多数的狗狗。

那么机器也是一样的，你给出一些样本图片给机器，几十种（这叫做训练集）。告诉机器这是猫咪，下次再给机器没见过的猫咪的图片（不在刚刚样本内的图片，这叫测试集）。测试集中如果出现别的图片，例如风景图，机器能根据刚刚猫咪的特征辨别出这不是猫咪。如果给狮子的图片（狮子和猫咪很像）。学习效果好的很辨别出，不好的可能误分类为猫咪。

这事需要一些算法模型来提高分类，或者是预测的正确率了。
机器学习的算法模型有很多种：
简单的有线性回归，逻辑回归，还有决策树、随机森林、贝叶斯学习、聚类，分类、支持向量机、KNN、最近质心等方面的研究。每一个展开都很复杂。。

训练：刚刚那个样本图片给机器去识别学习的过程就叫训练。而训练又分为带标签的和不带标签的。这里讲的是最简单的带标签的训练，就是说，我给样本图片的同时，告诉了机器这张图片是小猫咪。下次给样本外的图片给机器识别的过程称作测试。
不带标签的训练：这里讲半监督学习吧。不带标签其实才是生活中最常见的。因为每天图片那么多，哪可能去给每个打标签说这是什么。比如手机会自动识别你大量的不带标签的图片是人物还是风景还是美食。（这里不做了解也可以）

这里找了张图。由于机器学习会面临大量的数据，所以会有前面的数据预处理：是清洗缺失和错误数据的一个过程。特征工程是：比如今天我做一个早高峰的预测，拿到的这组数据只有日期2019-11-18这种，但是我发现日期对我的分析没有用，反而知道是星期几的话会对我的预测有很大帮助。这事我会把具体日期转化为星期几，增加一个星期的列，帮助我分析。

模型训练前面讲了，模型评估：就是把样本数据给机器预测，预测出来的结果和我的标签对比一下，看准确度。准确度还不错的话，再给测试样本预测，准确度不高就算了吧。

深度学习：

其实是机器学习的一个分支啦，但是发展非常迅猛，原因是效果太好了，下围棋的阿尔法狗，图像处理，自然语言处理，现在基本都是用深度学习算法效果好。

与机器学习区别：

深度学习的算法模型主要都涉及到神经网络，那么有哪些算法呢：
卷积神经网络CNN，递归神经网络RNN，
LSTM（RNN衍生的，基本已经取代RNN）
深度信念网络DBN
强化学习，对抗生成学习等等不列举了

与机器学习区别主要涉及到神经网络，神经网络中包括输入成，隐藏层（可以有多层），输出层，一幅全连接网络的简单示意图：

上图一开始看不懂，还是举个手写数字识别的例子吧

比如说我手写一个数字2，让机器识别。左边是输入图片，256维向量输入，右边是输出10维向量。比如说10000000000 表示0 ；00200000000 表示2。因为机器就是这样表示。
那中间需要一个什么样的算法模型来达成我们能输出的愿望呢。。比如刚刚第一张全连接神经网络的模型可以做到。但是效果没有CNN（卷积神经网络）好。自主选择效果好的模型即可。
那么介绍其中最简单的全连接网络的神经网络模型吧，如下图：

左边输入的向量[1,-1]是输入层。而右边的输出是分类到y1和y2的概率。
所以中间是如何做到的呢。通过人设置，或者机器自己学习得来的一系列权重。这些权重用矩阵来表示。用权重矩阵和输入向量相乘，再加上绿色的偏置值。算出来本应该是整数的对吧，小数哪来的呢，原因是用了sigma激活函数，不知道那个数学符号怎么打。。这个函数通过一个数学公式可把得出来的整数值转化为这样的概率值。公式就不列出来了。

最后：本文图片来自李宏毅老师的课程，感谢！