coursera机器学习笔记-神经网络,初识篇

#对coursera上Andrew Ng老师开的机器学习课程的笔记和心得;

#注:此笔记是我自己认为本节课里比较重要、难理解或容易忘记的内容并做了些补充,并非是课堂详细笔记和要点;

#标记为<补充>的是我自己加的内容而非课堂内容,参考文献列于文末。博主能力有限,若有错误,恳请指正;

#---------------------------------------------------------------------------------#

神经网络的类型:感知机(单层),多层神经网络;

<补充>:感知机(perceptron)是神经网络和支持向量机的基础,基本模型为:f(x)= sign(g(X)),sign为符号函数, x为输入向量,w为权值向量,b为bias;

g(X)可以是线性函数,也可以是sigmoid函数等;

#---------------------------------------------------------------------------------#

神经网络基本模型:

coursera机器学习笔记-神经网络,初识篇_第1张图片

每一个单元有一定数量的实值输入,产生单一的实值输出(可以是其他很多单元的输入);

神经网络的符号标记:ai(j) - activation of unit in layer j Ɵ(j) - matrix of parameters controlling the function mapping from layer j to layer j + 1

j是指第几层,i指第几个节点,ai(j)指由前一层得到的输出值,并作为下一层的输入值;Ɵ(j)是这一层通往为下一层的ai(j)的系数;

每个节点的计算公式:

coursera机器学习笔记-神经网络,初识篇_第2张图片

coursera机器学习笔记-神经网络,初识篇_第3张图片

  • Ɵ131 = means
    • 1 - we're mapping to node 1 in layer l+1
    • 3 - we're mapping from node 3 in layer l
    • 1 - we're mapping from layer 1

注!神经网络每个节点的输出并不是概率值,故没层的节点值之和不必等于1,如a1(3)+a2(3)+a3(3!1.

#---------------------------------------------------------------------------------#

<补充>:适合神经网络学习的问题需满足下列条件

1,实例是用很多“属性-值”对表示的;

2,目标函数的输出可能是离散值、实数值或若干值组成的向量;

3,训练数据可能包含错误(ANN有很好的健壮性);

4,可容忍长时间的训练(ANN需要较长的训练时间);

5,可能需要快速秋初目标函数值(ANN训练时间长,但预测所需时间很短,如无人驾驶);

6,人类能否理解学到的目标函数是不重要的(ANN学习到的权值经常是人难以理解的);

#---------------------------------------------------------------------------------#

神经网络实例:用神经网络来表征某些函数。

注!两层深度(两个隐藏层)的神经网络就可以表示所有的布尔函数。

<补充>:每个有界的连续函数可以有一个两层的网络以任意小误差逼近;

<补充>:任意函数可以被一个有三层单元的网络以任意精度逼近;

一个好例子:如何用NN来表示XOR函数?

coursera机器学习笔记-神经网络,初识篇_第4张图片

#---------------------------------------------------------------------------------#

参考文献:

《统计学习方法》,李航著;

《machine learning》, by Tom Mitchell;

couresra课程: standford machine learning, by Andrew Ng;

转载于:https://www.cnblogs.com/dfcao/p/ng_ml_4.html

你可能感兴趣的:(人工智能,数据结构与算法)