机器学习概念

机器学习概念
第一章 机器学习
1. 概念
1.1让电脑有自学习的能力,能够类似具有人类思考和学习的能力。怎么才能让机器具有学习的能力了?个人觉得机器有自身运算的能力,获取数据的方式(传感器等)通过对数据的处理的和学习(大数据和数据建模),运用数学(统计学,离散数学等,总结出一套规律获取对问题。

1.2发展历史? 60年代提出 ,20年代的发展.

  1. 分类
    1 监督学习? 神经网路有标签学习

2 非监督学习? 不带有标签

3 半监督学习? 带标签和不带标签的学习; 利用生物学‘适者生存’的概念进行学习

4 强化学习? 大量数据,模拟训练,例如阿法狗的训练的方法

5 遗传算法学习 ?让电脑自己玩超级玛利亚的学习。

  1. 神经网络
    一 、什么是神经网络?对数据进行处理。
    类似于人脑的神经的网络。

2 包括:输入和输出,隐藏层,神经层。

3 不同点:存储的是1和0的储存的方法。

4 训练方法:大量的数据进行。

5.处理结果:大量有用和无用的结果,成功或者失败。失败是成功他妈

6.训练的方法:利用刺激函数

4.卷积神经网络
1 卷积神经网络:处理图片识别和语音识别,自然语音和;

《例子:处理的图片》

3.卷积概念:对图片一小块的进行处理,不压缩图片。对小块数据进行处理的进行卷积的。

4 搭建卷积结构:

5、循环神经网络(RNN)

what is Recurrent Neural Networks?

RNN: 做一些简单的预测,分析数据之间的关联和规律之间。把规律进行累计相加,把规律进行循环的累加。

应用:做一些小的Demo,如自动作曲的。根据事物之间的联系和预测下一个事物之间的联系的神经网络。

第二章 深度学习

一、LSTM:long Short-Term Memory:长短期记忆(解决RNN的弊端)

RNN的弊端:每次从规律获得函数值有可能在传递的过程中的消失,
梯度的消失的问题。远记忆的问题。

1 自编码
二、什么是自编码?(autoencoder,神经网络的非监督学习)

概念:神经网络的形式之一。把一个主题进行分类和归纳,然后针对小规模的进行机器学习。

例如:压缩和解压

提纲:
1、生成对抗网络。(GAN:Generative Adversiarial Nets)

回顾:

1、数据与结果的关系
2、神经网络分成:
a.卷积神经网络:(对图片进行处理)CNN
b.循环神经网络 :分析序列化数据的RNN

c.普通的前向神经网络;
2 GNA
GNA:生成对抗神经网络。

1 、概念是:举例说明:

新手画家画一幅画,但是没有绘画的技术,所以乱画一通,同时另外找一个的新手的绘画的鉴赏家

对一幅新手画作和一幅著名的画作进行对比分析。由于新手的绘画的鉴赏家水平不高,因此别人就告诉他如何

鉴赏画作,然后由鉴赏家再告诉画家如何去画才是正确的 ,因此这一个过程就叫做生成对抗神经网络。

2.根据随机数的生成网络。

3.总结:想象力的关系,凭空进行创造的,然后根据结果进行方向的学习。

4.缺点:需要进行正确的判断。

小结

总结:深度强化学习:完全看不懂………

你可能感兴趣的:(机器学习(10000))