本文介绍了人工智能的定义，强调了机器学习在自动化智能任务中的作用，特别是深度学习在形成复杂数据表示方面的核心地位。深度学习依赖于神经网络的多层次结构，通过损失函数和优化器进行学习。此外，文章还回顾了机器学习的历史，提到了概率建模、早期神经网络、核方法如SVM、决策树和集成学习方法如随机森林和梯度提升机等技术。
第1章 什么是深度学习
1.1 人工智能、机器学习与深度学习
1.人工智能定义：努力将通常由人类完成的智力任务自动化
2.机器学习包括三个要素：输入数据点、预期输出的示例、衡量算法效果好坏的方法
3.机器学习和深度学习的核心问题：有意义地变换数据，即学习输入数据的有用表示
4.深度指数学模型中包含的层数，这些分层几乎是通过神经网络的模型学习得到
5.损失函数（目标函数）——衡量神经网络的输出与预期值之间的距离
6.优化器（实现反向传播算法）——利用距离值作为反馈信号来对权重值进行微调，以降低当前示例对应的损失值：
7.深度学习从数据中进行学习时的两个基本特征： 第一，通过渐进的、逐层的方式形成越来越复杂的表示；第二；对中间这些渐进的表示共同进行学习
1.2深度学习之前：机器学习简史
概率建模：统计学原理在数据分析中的应用（朴素贝叶斯算法）
早期神经网络：例如LeNet
核方法：例如支持向量机（SVM) 可以利用核技巧将数据映射到高维表示从而使分类问题简化
决策树：可以对输入数据点进行分类或根据给定输入来预测输出值
随机森林：首先构建许多决策树，然后将它们的输出集成在一起
梯度提升机：将弱预测模型集成的机器学习方法
1743
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
