李嘉璇 TensorFlow技术解析与实战 第一章笔记

深度学习的入门过程

现阶段：需要补充概率论、随机过程知识；学习决策树，RF；熟练使用python；论文、公众号、博客；复现实验；提出创新。

经典机器学习理论与基础算法：

已经接触过：SVM，LR，聚类，ANN，BP，PCA，过拟合，正则化...

未接触：决策树，朴素贝叶斯，随机森林，协同过滤，关联性分析...

掌握编程语言python：重点掌握线性代数库和矩阵操作，尤其是Numpy、pandas第三方库（dataframe和series结构），机器学习库skleran。

看论文：LeNet googlenet Alexnet LSTM GAN（生成式对抗网络） （五月份的汇报介绍RNN LSTM 综述GAN） 。

自己动手训练神经网络：使用外围第三方库，例如keras、tflearn。

计算机视觉领域CV：可以做图像分类、目标检测、视频中的目标检测等。

NLP：做语音识别、语音合成、对话系统、机器翻译、文章摘要、情感分析，还可以结合图像、视频和语音。

Tensorflow支持：CNN，RNN，LSTM（RNN的一个特例，长短期记忆网络）

Imagenet的ILSVRC比赛（大规模视觉识别挑战赛）：

Top1错误率：预测输出的概率最高的类别，是否和人工标记的类别一致，如果不一致，此时的概率。 

Top5错误率：预测输出的概率最高的前 5 个类别当中，有没有和人工标记的类别一致，当 5 个都不一致时的概率。例如在图片分类任务下，对一张图片进行预测，输出这张图片分类概率最高的 5 个类别，只要有一个预测的类别和人工标注的类别标记一致，就是认为正确。当 5 个都不一致发生的概率就是 Top-5 错误率。

Kaggle

天池大数据竞赛

本章主要介绍了人工智能、机器学习、深度学习的关系，以及深度学习的学习步骤，分析了这个领域的相关人群，以及这个领域的重要赛事。然后，全面介绍了 TensorFlow 的作用、特性，并介绍了国内做人工智能的公司，讲述了目前在产业界进行的探索，和提供给开发者的一些基础平台。