Python深度学习-1.什么是深度学习

1.什么是深度学习

1.1人工智能、机器学习与深度学习

1.1.1人工智能

1. 人工智能：努力将通常由人类完成的智力任务自动化
2. 符号主义人工智能（1950s~1980s），专家系统（1980s）

1.1.2机器学习

1. 查尔斯 • 巴贝奇发明分析机（1930/40s）
2. 阿兰 • 图灵在1950 年发表具有里程碑意义的论文“计算机器和智能” ，提出图灵测试
3. 经典程序设计（符号主义人工智能的范式 ）：输入的是规则（即程序）和需要根据这些规则进行处理的数据，系统输出的是答案
4. 机器学习（1990s）：输入的是数据和从这些数据中预期得到的答案，系统输出的是规则。这些规则随后可应用于新的数据，并使计算机自主生成答案
5. 机器学习系统是训练出来的。机器学习（尤其是深度学习）呈现出相对较少的数学理论（可能太少了），并且是以工程为导向的

1.1.3从数据中学习表示

1. 机器学习的三个要素：
   • 输入数据点
   • 预期输出的示例
   • 衡量算法效果好坏的方法（衡量结果是一种反馈，调节算法的工作方式，这个调节就是学习）
2. 机器学习和深度学习的核心问题在于有意义地变换数据
3. 学习输入数据的有用表示：这种表示可以让数据更接近预期输出
4. 机器学习中的学习指的是，寻找更好数据表示的自动搜索过程
5. 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

1.1.4深度学习之“深度”

1. 深度学习是机器学习的一个分支领域：它是从数据中学习表示的一种新方法，强调从连续的层（layer）中进行学习，这些层对应于越来越有意义的表示
2. “深度学习”中的“深度”（数据模型中包含多少层 ）指的并不是利用这种方法所获取的更深层次的理解，而是指一系列连续的表示层。与之对应，其他机器学习方法有时称作浅层学习
3. 深度学习模型不是大脑模型
4. 将深度网络看作多级信息蒸馏操作：信息穿过连续的过滤器，其纯度越来越高（即对任务的帮助越来越大）
5. 深度学习的技术定义：学习数据表示的多级方法

1.1.5理解深度学习的工作原理

图1-9.png

1. 神经网络中每层对输入数据所做的具体操作保存在该层的权重（weight）中
2. 每层实现的变换由其权重来参数化（parameterize）。权重有时也被称为该层的参数（parameter）
3. 学习的意思是为神经网络的所有层找到一组权重值，使得该网络能够将每个示例输入与其目标正确地一一对应
4. 损失函数（目标函数）：输入是网络预测值与真实目标值（即你希望网络输出的
   结果），然后计算一个距离值，衡量该网络在这个示例上的效果好坏
5. 利用这个距离值作为反馈信号来对权重值进行微调，以降低当前示例对应的损失值。这种调节由优化器（optimizer）来完成，它实现了所谓的反向传播（backpropagation）算法，这是深度学习的核心算法
6. 随着网络处理的示例越来越多，权重值也在向正确的方向逐步微调，损失值也逐渐降低。这就是训练循环（training loop），将这种循环重复足够多的次数（通常对数千个示例进行数十次迭代），得到的权重值可以使损失函数最小

1.2深度学习之前：机器学习简史

1.2.1概率建模

1. 统计学原理在数据分析中的应用
2. 朴素贝叶斯分类器
3. logistic 回归（logistic regression，简称 logreg），logreg 是一种分类算法，而不是回归算法

1.2.2早期神经网络

1. 20 世纪 50 年代
2. 20 世纪 80 年代中期—反向传播算法
3. 贝尔实验室， 1989 年 ，手写数字识别，LeNet

1.2.3核方法

1. 核方法：20 世纪 90 年代
2. 支持向量机（SVM，support vector machine），决策平面，间隔最大化，核技巧，核函数

1.2.4决策树、随机森林与梯度提升机

1. 决策树（decision tree）是类似于流程图的结构，可以对输入数据点进行分类或根据给定输入来预测输出值
2. 随机森林（random forest）算法，它引入了一种健壮且实用的决策树学习方法，即首先构建许多决策树，然后将它们的输出集成在一起
3. 梯度提升机（gradient boosting machine）也是将弱预测模型（通常是决策树）集成的机器学习技术。它使用了梯度提升方法，通过迭代地训练新模型来专门解决之前模型的弱点，从而改进任何机器学习模型的效果

1.2.5回到神经网络

1. 深度卷积神经网络（convnet），计算机视觉任务，所有的感知任务

1.2.6深度学习有何不同

1. 特征工程，自动化完成
2. 深度学习从数据中进行学习时有两个基本特征：
   • 通过渐进的、逐层的方式形成越来越复杂的表示；
   • 对中间这些渐进的表示共同进行学习，每一层的变化都需要同时考虑上下两层的需要