本文介绍了机器学习与深度学习的区别，强调深度学习是通过多层网络进行分类和回归。深度学习的类型包括有监督和无监督学习，如前馈网络、卷积神经网络等。文章还探讨了深度学习所需的基础数学知识，如线性代数的矩阵分解，概率论与数理统计中的概率分布，以及信息论中的熵、联合熵、条件熵和互信息。最后提到了交叉熵在深度学习中的作用，作为损失函数衡量目标与预测值的差距。
机器学习与深度学习
机器学习：本质是从已知数据中获得规律，并利用规律预测未知数据。
深度学习：一般是指通过训练多层网络结构对未知数据进行分类或回归
“深度学习是一种特殊的机器学习，通过学习将世界使用嵌套的概念层次来表示并实现巨大的功能和灵活性，其中每个概念都定义为与简单概念相关联，而更为抽象的表示则以较不抽象的方式来计算。”
机器学习的分类：
深度学习的分类：
有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等
无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等
数学基础
线性代数
矩阵分解
数字图像本身就是以矩阵的形式呈现的，多个向量组成的样本也是矩阵这种形式非常常见，大多机器学习算法里每个样本都是以向量的形式存在的，多个矩阵叠加则是以张量(tensor)的形式存在 Google 深度学习库 TensorFlow 的字面意思之一。
概率论与数理统计
概率论和数理统计，应用较深值得认真研习，
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
