文章目录

• 1 人工智能、机器学习与深度学习
• • 1.1 人工智能
  • 1.2 机器学习
  • 1.3 从数据中学习表示
  • 1.4 深度学习之“深度”
  • 1.5 用三张图理解深度学习的工作原理
• 2 机器学习简史
• • 2.1 概率建模
  • 2.2 早期神经网络
  • 2.3 核方法
  • 2.4 决策树、随机森林与梯度提升机
  • 2.5 回到神经网络
  • 2.6 深度学习的不同

1 人工智能、机器学习与深度学习

1.1 人工智能

人工智能：努力将通常由人类完成的智力任务自动化。
符号主义人工智能：程序员编写足够多的明确规则来处理知识，就可以实现与人类水平相当的人工智能。

1.2 机器学习

1.定义：利用输入数据和从这些数据中预期得到的答案，经过训练后输出规则。

2.机器学习的三要素：

• 输入数据点
• 预期输出的示例
• 衡量算法效果好坏的方法

3.机器学习的技术定义：在预先定义好的可能性空间中，利用反馈信号的指引来寻找输入数据的有用表示。

1.3 从数据中学习表示

1.表示：以不同的方式来查看数据（即表征数据或将数据编码），让数据更接近预期输出。

例如，彩色图像可以编码为RGB格式，也可以编码成HSV格式。

2.机器学习的学习指的是，寻找更好数据表示的自动搜索过程。

机器学习在寻找变换的时候，仅仅是遍历一组预先定义好的操作，这组操作叫做假设空间。

1.4 深度学习之“深度”

1.深度：指一系列连续的表示层，它们通过神经网络从训练数据中自动学习。

2.深度学习的技术定义：学习数据表示的多级方法。

1.5 用三张图理解深度学习的工作原理

1.权重/参数：保存神经网络每层对输入数据所作的具体操作。
每层实现的变化都由权重来参数化。

2.损失函数/目标函数：通过网络预测值与真实目标值计算得到一个距离值，衡量神经网络的效果。

3.优化器：利用损失函数计算的距离值作为反馈信号，对权重值进行微调，实现反向传播。

2 机器学习简史

2.1 概率建模

• 朴素贝叶斯算法
  朴素贝叶斯是一类基于应用贝叶斯定理的机器学习分类器，假设输入数据的特征都是独立的。

• logistic回归（简称logreg），一种分类算法。

2.2 早期神经网络

• 贝尔实验室于1989年第一次成功实现了神经网络的实践应用，当时Yann LeCun将卷积神经网络的早期思想与反向传播算法相结合，并将其应用于手写数字分类问题，由此得到名为LeNet的网络。

2.3 核方法

核方法是一组分类算法，其中最有名的是支持向量机（SVM）。

• 支持向量机
  1.目标：在属于两个不同类别的两组数据点之间找到良好决策边界。
  2.实现：
  （1）将数据映射到一个新的高维表示；
  （2）让超平面与每个类别最近的数据点之间的距离最大化，从而计算出良好的决策边界。
  3.核技巧思想：只需要在新空间中利用核函数计算点对之间的距离，就可以在新空间中找到良好的决策超平面。
  4.优点：SVM刚刚出现的时候，在简单分类问题上表现出了最好的性能，并且得到了理论支持，适用于严肃的数学分析。
  5.缺点：很难扩展到大型数据集，并且在图像分类等感知问题上的效果也不好。

2.4 决策树、随机森林与梯度提升机

• 决策树，类似于流程图。

• 随机森林，构建许多决策树，将它们的输出集成到一起。

• 梯度提升机，使用了梯度提升方法，通过迭代训练新模型来专门解决之前模型的弱点，改进任何机器学习模型的效果。

2.5 回到神经网络

• 深度卷积神经网络，已经成为所有计算机视觉任务的首选算法，在所有感知任务上都有效。

2.6 深度学习的不同

深度学习将特征工程自动化。