1. 人工智能
人工智能(Artificial Intelligence,AI)是使一部机器像人一样进行感知、认知、决策、执行的人工程序和系统。人工智能在金融、内容创作、机器人等领域有十分不俗的表现。人工智能的三个层面:
(1)计算智能:计算机具有快速计算和记忆储存的能力
(2)感知智能:类似于人的视觉、听觉的、触觉等感知能力
(3)认知智能:概念、意识、观念都是认知智能的表现
2. 机器学习
机器学习(Machine Learning,ML)的定义没有统一的说法,最常用的定义是,计算机系统能够利用经验提高自身的性能;可操作的定义是,机器学习本质是一个基于经验数据的函数估计问题;统计学的定义是,提取重要模式、趋势,并理解数据,即从数据中学习。这些定义的共同点是从数据中提取知识。
机器学习的通过模型、策略、算法来进行学习
模型:对要学习问题映射的假设(问题建模,确定假设空间)
策略:从假设空间中学习/选择最优模型的准则(确定目标函数)
算法:根据目标函数求解最优模型的具体计算方法(求解模型参数)
模型分类:
3.深度学习
神经网络结构的发展
神经网络的发展
深度学习的缺点
- 算法不够稳定,容易被“攻击”
- 模型的复杂程度高,难以纠错和调试
- 模型层级复合程度高,参数不透明
- 端到端训练方式对数据依赖性强,模型增量性差
- 专注直观感知类问题,对开放推理性问题无能为力
- 人类知识无法有效引入进行监督,机器偏见难以避免
M-P神经元
激活函数
万有逼近定律
如果一个隐层包含足够多的神经元,三层前馈神经网络(输入-隐层-输出)能以任意精度逼近任意预定的连续函数。
当隐层足够宽时,双隐层感知器(输入-隐层1-隐层2-输出)可以逼近任意非连续函数:可以解决任何复杂的分类问题。
神经网络中每一层的作用
4.代码练习
Sprial Classification
数据设置及可视化
线性模型分类:
两层神经网络进行分类
使用Sigmoid函数
使用Tanh函数
使用ReLU函数
分别尝试了Sigmoid、Tanh、ReLU激活函数,发现ReLU函数的精确度最高,Sigmoid的精确度最差。