本文介绍: 一、机器学习概述所谓深度是指原始数据进行非线性特征转 换的次数.如果把一个表示学习系统看作一个有向图结构深度也可以看作从输 入节点到输出节点所经过的最长路径的长度. 这样我们就需要一种学习方法可以从数据中学习一个“深度模型”,这就是深度学习DL).深度学习是机器学习的一个子问题其主要目的是从数据中自动学习到有效的特征表示。一、机器学习概述通俗地讲机器学习ML就是让计算机从数据中进行自动学习得到某种知识或规律.作为一门学科机器学习通常指一类问题。
所谓

深度

是指原始数据进行非线性特征转 换的次数.
如果把一个表示学习系统看作一个有向图结构

深度也可以看作从输 入节点到输出节点所经过的最长路径的长度. 这样我们就需要一种学习方法可以从数据中学习一个“
深度模型
”,
这就是
深度学习

Deep Learning

DL
).
深度学习是机器学习的一个子问题

其主要目的是从数据中自动学习到有效的特征表示。

一、机器学习概述

  • 通俗地讲

    机器学习

    Machine Learning

    ML

    就是
    让计算机从数据中进
    行自动学习

    得到某种知识

    或规律


    作为一门学科

    机器学习通常指一类问题
    以及解决这类问题的方法

    即如何从观测数据

    样本

    中寻找规律

    并利用学习
    到的规律

    模型

    对未知或无法观测的数据进行预测

一、基本概念

  • 样本、特征(属性)、标签、数据集、训练集(训练样本)、测试集(测试样本)、模型、学习算法、特征向量

先举个例子:

        我们从市场上随机选取一些芒果,列出每个芒果的特征Feature,包括颜色、大小形状产地品牌以及我们需要预测的标签Label)。标签可以是连续值(比如关于芒果的甜度水分以及成熟度的综合打分),也可以是离散值(比如”“两类标签)。

        以将一个标记好特征以及标签的芒果看作一个样本。

        数据集:一组样本构成的集合。一般分为两部分训练集和测试集,训练集用来训练模型,测试集用来检验模型的好坏。

        特征向量(并不是所有特征都是数值型的):

        机器学习关键:让计算机通过训练集找出从特征向量 和 标签y之间的真实映射关系函数,通过这个函数可以用特征向量来预测其标签值或标签的条件概率。

        比如,通过芒果的特征(颜色、大小)之类的,来预测其甜度。

准确率ACC:

二、机器学习的基本流程

 二、机器学习的三个基本要素

  • 模型、学习准则、优化算法
  • 学习准则是计算损失函数,通过学习这次训练的模型损失函数,可以继续用来优化模型。
  • 优化算法来优化模型中的可学习参数,相当于是一个不断更新参数的过程。

一、模型

输入空间 默认为 样本的特征空间。

假设空间:所有函数(模型)的集合

二、学习准则

损失函数 

  • 损失函数是一个非负实数函数,用来量化模型预测和真实标签之间的差异。
  1. 0-1损失函数
  2. 平方损失函数
  3. 交叉熵损失函数(负数似然函数):
  4. Hinge损失函数:

风险最小化准则

三、优化算法

比如卷积层的卷积核大小就是超参数。

可学习参数θ的优化算法:

  1. 梯度下降法
  2. 提前停止
  3. 随机梯度下降法
  4. 小批量梯度下降法
  5. Adam优化器

三、机器学习算法的类型

  • 监督学习
  • 无监督学习
  • 强化学习

原文地址:https://blog.csdn.net/m0_63997099/article/details/135996127

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。

如若转载,请注明出处:http://www.7code.cn/show_65079.html

如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱:suwngjj01@126.com进行投诉反馈,一经查实,立即删除!

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注