深度学习介绍与环境搭建
深度学习介绍与环境搭建
慕课大学人工智能学习笔记，自己学习记录用的。（赋上连接）
https://www.icourse163.org/learn/ZUCC-1206146808?tid=1471365447#/learn/content?type=detail&id=1256424053&cid=1289366515
人工智能、机器学习与深度学习的关系
机器学习
- 机器学习是人工智能的一个分支，它是实现人工智能的一个核心技术，即以机器学习为手段解决人工智能中的问题
- 机器学习是通过一些让计算机可以自动学习的算法，并从数据中分析获得规律，然后利用规律对新样本进行预测
- 机器学习的形式化的描述：对于某类任务T和性能度量P，如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善，那么就称这个计算机程序在从经验E学习。
机器学习的学习形式分类
- 有监督学习指的是事先要准备好输入与正确输出（区分方法）相配套的训练数据，让计算机进行学习，以便当他被输入某个数据是能够得到正确的输出（区分方法）。
- 无监督学习的目的是让计算机自己去学习怎样做一些事情，所有数据只有特征没有标记。无监督学习备孕用与仅提供输入用数据、需要计算机自己找出数据内在结构的场合。其目的是让计算机从数据中抽取其中所包含的模式及规则。
- 半监督学习，二者的中间地带是半监督学习，对于半监督学习，其训练数据一部分有标记，另一部分没有标记，而没有标记数据的数量尝尝极大与有标记数据的数量。它的基本规律是：数据的分部必然不是完全随机的，通过结合有标记数据的局部特征，以及大量没标记数据的整体分部，可以得道比较好的分类结果。
- 强化学习，是解决计算机从感知到决策控制的问题，从而实现通用人工智能。强化学习是目标导向的，从白纸一张的状态开始，经由许多个步骤来实现某一维度上的目标最大化。最简单的理解是在训练过程中，不断去尝试，错误就惩罚，正确就奖励，由此训练得到的模型在各个状态环境中都最好。对强化学习来说，它虽然没有标记，但有一个延迟奖励与训练相关，通过学习过程中的激励函数获得某种从状态到行动的映射，强化学习强调如何基于环境而行动，以取得最大化的预期利益。强化学习一般在游戏、下期等需要连续决策的领域。
无监督机器学习的典型应用模式
有监督机器学习的典型应用模式
深度学习
全连接网络：指的是Layer1层的节点和后一层全都有连接。
常见的激活函数
深度神经网络
如果有层数、节点越多神经网络能力越强。
卷积神经网络CNN
卷积神经网络是深度学习中最重要的概念之一
20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现，其独特的网络结构可以有效降低神经网络的复杂性。
1998年，Yann LeCun提出了LeNet神经网络，标志着第一个采用卷积思想的神经网络面世。
深度学习技术存在的问题：
- 面向任务单一
- 依赖于大规模有标签数据
- 几乎是个黑箱模型，可解释性不强
无监督的深度学习、迁移说戏、深度强化学习和贝叶斯深度学习等受关注
深度学习具有很好的可推广性和应用性，但不是人工智能的全部，未来人工智能需要有更多类似技术。
深度学习框架
