机器学习的一些基本概念

    初入人工智能专业的小菜鸟，导师让先看看深度学习方面的论文，查找了几天资料，发现如果一些基础不打牢，是没办法继续后序的学习的。为此，先饿补饿补深度学习方面的一些基础知识。

    大牛说， 深度学习的概念源于人工神经网络的研究，建立在含多隐层的神经网络模型基础上。 因此，首先我们要学习神经网络相关知识，而在学习神经网络之前，又需要我们对机器学习一些基本概念进行了解。

    这是目前遇到的一些概念，后续遇到新的概念将在此继续增加。

ANN：

人工神经网络（Artificial Neural Networks）

DNN：

深度神经网络 （ Deep Neural Networks ）

CNN：

卷积神经网络（Convolutional Neural Network）

CNN是深度学习算法在图像处理领域的一个应用。

监督学习（(supervised learning)）：

简单而言，对于一个学习器，如果我们知道它的输入数据和输出数据，根据这些输入和输出数据，我们训练出来一些参数，然后利用这些参数去预测未知的新输入的数据，得到输出，最后将输出作简单的判断来达到分类的目的。其中利用已知样本（包括输入和输出数据）去训练参数的过程，可以称为监督学习。  与无监督的学习相比，监督学习的特点在于，对每一个输入数据都有已知的输出数据与之对应。也就是说，监督学习更像是一个分类器，我们已知哪些数据对应哪些类别，对新来的数据，通过训练出来的参数，将其划分到已知的类别中。例如，假设我们已知如下样本，输入1,2,3,4得到A，输入5,6,7,8得到B，训练后，此时再输入数据5，学习器将把5判为类别B，即学习器在已学到的类别A和B中选择。

无监督学习(unsupervised learning)：

无监督学习的特点在于，只有一堆输入数据，我们并不知道输出是什么，即不知道有哪些类，无监督学习相当于聚类，即将一堆复杂的数据，通过学习，找出数据之间的规律，自动将数据分类几类。 举个例子，我们外行人并不知道蝴蝶有哪些种类，如果现在给我们一群蝴蝶，我们可以根据肉眼，将长得像的蝴蝶放在一起（虽然并不知道这类蝴蝶叫什么名字），就这样将这群蝴蝶进行聚类，下次再来一只蝴蝶，我们可以蝴蝶的外貌，将其分到长得像的那堆里面。  像这种事先并不知道输出结果，在输入数据中寻找数据特征进行聚类的学习过程，就是无监督的学习过程。

人工规则：

就是数据本来没有规则，即并不知道数据对应的输出，但是通过人工手段，手工将输入数据对应到一个输出，并进行训练的学习过程，成为有人工规则参与的学习过程。

sigmoid函数：

对于二分类问题，输出层是sigmoid函数：

这是因为sigmoid函数可以把实数域光滑的映射到[0,1]空间。函数值恰好可以解释为属于正类的概率（概率的取值范围是0~1）。另外，sigmoid函数单调递增，连续可导，导数形式非常简单，是一个比较合适的函数。

逻辑回归：

采用sigmoid函数为回归函数的模型成为逻辑回归模型，该回归也称为逻辑回归，常用于处理二分类问题。

逻辑回归是非线性回归，除了回归函数与线性回归不一致，其他的处理方法与线性回归一致。

二部图：

二分图也叫二部图，是图论中一种特殊模型。 设G=(V,E)是一个无向图，如果顶点集合V可分割为两个互不相交的子集(A,B)，且图中的每条边（i，j）所关联的两个顶点i和j分别属于这两个不同的顶点集，则称图G为一个二分图。

高斯分布：

正态分布也叫高斯分布，高斯分布由均值和方差两个参数来确定

高斯变量：

符合正态随机分布的变量，称为高斯变量

混合高斯模型（GMM,Gaussian Mixture Model）：

高斯混合模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，它是一个将事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。

在深度学习中，混合高斯模型常被用于语音识别领域。

激活函数：

在神经网络模型中，对输入x，其对应的输出为 y=f(x)，其中映射关系f()称为激活函数。

激活值：

激活函数的输出值，即神经网络中每层每个神经元的输出值。

向前传播：

神经网络里面，由输入层向输出层方向，由前面一层的输出，作为下一层的输入，一层一层计算每层的输出过程，这种方向的计算方法称为向前传播。

代价函数：

个人理解，又可称为目标函数，即为使模型达到最优值，建立的一个关于自变量的函数，例如：

残差：

是指实际值与估计值之间的差

熵：

信息熵反应的是一个系统的有序程度，系统越有序，其对应的熵值越低

相对熵：

相对熵用来描述两个随机分布的差异程度，两个分布差异越大，其对应的相对熵也越大。设两个分布的概率密度函数分别为p(x)和q(x)，则他们的信息熵为：

平凡解：

Ax=0中，x=0的解称为平凡解。

浅层学习：

早期的人工神经网络模型，如BP神经网络模型，以及由BP神经网络模型引申的SVN、Boosting等模型，这些模型的结构大都可以看成隐含层只包含一层节点，或者甚至隐含层没有节点，这些模型可以称为浅层模型，其进行的学习是浅层学习。

深度学习：

深度学习相对浅层学习，有以下两个特点：

1、增加隐含层的节点层数，通常有5/6层，有时甚至超过10层

2、强调数据特征的提取，将输入数据原有的特征空间，经过逐层特征变换，映射到一个新的特征空间，从而进行更好的分类和预测。