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………