机器学习与深度学习

机器学习和深度学习的理解

1、首先，机器学习系统是训练出来的，而不是明确的有代码编写出来；它的迅速发展来自更好更快的硬件和更大更多的数据集。但是由于经常需要处理大量的数据集，传统的统计分析（贝叶斯分析）是不切实际的，而深度学习呈现较少的统计学理论；并且以工程为导向；从而发展的极为迅速；

2、机器学习的三个要素主要是输入数据点，预期输出的示例，衡量算法好坏的方法；

3、机器学习模型将输入数据变换为有意义的输出，也就是为了数据寻找合适的表示——对数据进行变换；其中的学习指的就是寻找更好的数据表示的自动搜索过程；

4、机器学习是从数据中学习表示，而深度学习是从数据中学习的一种新的方法，它强调从连续的层（深度）中进行学习，这些层对应于越来越有意义的表示；分层表示（深度学习）总是通过神经网络的模型来学习得到，深度学习是从数据中学习表示的一种数学框架；

5、深度学习的工作原理：每层的变化都根据权重来参数化，学习的意思就是为每一层找一个权重值，使得每个示例的输入都与其目标一一对应。其预测值和真实值之间的距离称为损失函数，然后优化器就利用其距离值作为反馈对权重值进行微调，以降低所谓的距离，这就是反向传播法，也是深度学习的核心算法；不断的调整权重以降低损失值来做训练循环，将这种循环重复足够的次数，当损失值降到最低即损失函数最小的时候，输出值和目标值接近的时候，就是一个训练好的网络；

算法模型

6、logistic回归：简称logerg，它是一种分类算法；

7、核方法：分类算法，最有名的是支持向量机（SVM），SVM的目标是通过在属于两个不同类别的两组数据之间找到良好的决策平面来解决分类问题；

SVM找决策边界：（1）将数据映射到高维平面，决策平面可以用超平面来表示；

                              （2）让超平面和最近的数据点之间距离最大化，计算出一个良好的决策平面（间隔最大化）；

8、决策树：对输入数据点进行分类或根据给定输入来预测输出值；

9、随机森林算法：构建很多的决策树，然后将输出集成在一起；

10、梯度提升机：利用梯度提升方法将弱预测模型集成的机器学习技术；（用于浅层学习问题）

11、深度卷积神经网络：计算机视觉任务的首要算法；（用于感知问题）

深度学习的优势

利用深度学习可以将特征工程自动化，一次性学习所有特征；简化了机器学习的流程；

特征：（1）通过渐进的、逐层的方式形成越来越复杂的表示；

           （2）对中间这些渐进的表示共同进行学习；