深度学习与神经网络

#1.深度学习要解决的问题

机器学习流程：数据获取---特征工程---建立模型---评估与应用
特征工程是更为重要的

AI（人工智能）>ML（机器学习）>DL（深度学习）
深度学习是核心

特征工程的作用：
1.数据特征决定模型上限
2.预处理和特征处理是最核心的
3.算法与参数选择决定如何逼近这个上限

机器学习偏人工
深度学习偏智能（与AI最接轨）
深度学习的核心：怎么样去提特征   解决什么样的特征是最合适的3

#2.深度学习应用领域
eg.无人驾驶（特斯拉）  AI换脸  人脸识别
应用：计算机视觉，自然语言处理

缺点:计算量大-->速度慢-->移动端不好

深度学习算法与传统人工智能算法相比：
在数据规模较小时，二者效果差异不大（但深度学习会慢）
在数据规模较大时（百万数据），深度学习算法效果明显变好

#3.计算机视觉任务

计算机视觉：图像分类任务
图像表示：计算机眼中的表示
一个图像被分为三维数组的表示，每个像素的值是0-255（像素值越低表示越暗，越高表示越亮）
eg.300*100*3    3表示颜色通道（RGB，JPG等）

计算机视觉面临的挑战：1.照射角度 2.形状改变 3.部分遮蔽 4背景混入
机器学习常规套路：1.收集数据并给定标签 2.训练一个分类器 3.测试，评估

#视觉任务中遇到的问题

K近邻算法：
step1：计算其他点到该点距离
step2：将这些距离从小到大排序d1d2d3...dn
step3：确定前K个点出现的概率
step4：出现频率最高的点为该点的类别

数据库：10类标签 32*32  CIFAR-10
图像距离计算方式
测试结果：部分结果还可以
为什么K近邻不能用于图像分类：背景主导是一个很大的问题，我们关注的确是主体