机器学习概念:人通过过往经验的总结来对新的问题做预测,而机器学习就是把这种思路嫁接到机器上,让机器通过对已有数据资源做训练,使机器对这些数据产生特征印象,然后给机器新的数据,让机器对新的数据做出特征预测。
算法:
1.线性回归算法:
(1)最小二乘法:拟出一条直线,使所有点到线的误差平方最小。最小二乘法属于数值型预测,预测的结果一般是数值,例如:房价等。
(2)逻辑回归:拟出一条分类线,判断是或否,它是在线性回归算法的计算结果上加上了一个Sigmoid函数,使结果处在0到1之间,这时数值越大,结果越接近1,数值越小,结果越接近0。如下图:如果出现一个新的绿色的点,可以通过点的特征(烟龄与肺部状况)去判断新的绿点是属于蓝色一类还是红色一类。
2.神经网络
神经网络的概念:神经网络模仿人脑对眼睛看到的物品的分析过程,人的大脑对眼睛看到的东西做处理需要三层步骤,输入层、隐藏层、输出层,
例:一个正方形,分解为四个折线进入视觉处理的下一层中。四个神经元分别处理一个折线。每个折线再继续被分解为两条直线,每条直线再被分解为黑白两个面。于是,一个复杂的图像变成了大量的细节进入神经元,神经元处理以后再进行整合,最后得出了看到的是正方形的结论。这就是大脑视觉识别的机理,也是神经网络工作的机理。
神经网络把人脑的分析逻辑概念放到机器上实现,而隐藏层可以理解为分解、整合,在隐藏层也分出许多层,有卷积层,池化层,全连接层。卷积层中有许多卷积核,卷积核可以直接作用到图片上进行卷积运算,再通过池化可以得到相应的值,卷积的次数越多,识别的精度越高。
下图为神经网络图像识别领域的一个重要应用LeNet,是一个基于多个隐层构建的神经网络。通过LeNet可以识别多种手写数字,并且达到很高的识别精度。具体的理论看链接:
LeNet详解:https://blog.csdn.net/qq_42570457/article/details/81460807
卷积核的作用:https://blog.csdn.net/zandaoguang/article/details/104890393