PyTorch深度学习实践 Lecture01 基本概括

Author ：Horizon Max

✨ 编程技巧篇：各种操作小结

机器视觉篇：会变魔术 OpenCV

深度学习篇：简单入门 PyTorch

神经网络篇：经典网络模型

算法篇：再忙也别忘了 LeetCode

视频链接：Lecture01 Overview
文档资料：

//Here is the link:
课件链接：https://pan.baidu.com/s/1vZ27gKp8Pl-qICn_p2PaSw
提取码：cxe4

Overview

基本概括

几个经常看到的名词：

AI > Machine Learning > Representation Learning > Deep Learning

人工智能（Artificial Intelligence）> 机器学习 > 表示学习 > 深度学习

Machine Learning

模拟人脑思考过程：Image 输入 人脑 输出 Prediction

机器学习四大任务

监督学习

根据类别已知的（有被标记的）训练样本解决模式识别中的各种问题。
即已知数据集（Train）和对应标签（label）之间的关系，并根据这种已知的关系，训练得到一个最优的模型；使得将测试集（Test）输入至得到的模型中能够预测出测试集（Test）的结果。

包括：classification（分类）和 regression （回归）

无监督学习

根据类别未知的（没有被标记的）训练样本解决模式识别中的各种问题。
即只有数据集（Train）却不知道对应标签（label）的情况下，让机器自己学习，它本质上是一种统计的手段，在没有标签的数据里面去发现一些潜在的结构规律。

包括：clustering （聚类）和 dimensionality reduction （降维）

如下图所示：

1. classification（分类）
即找到数据样本点之间的分界线，使得能够将样本尽可能多的划分在线的两侧；
（分类数据是离散值）
如：动物识别（猫、狗、鸟等）、数字识别等。

2. regression （回归）
对已有的数据样本点进行拟合，使尽可能多的数据落在回归的函数上或尽可能的靠近函数两侧；
（回归数据是连续值）
如：房价预测、股票跌涨预测等。

3. clustering （聚类）
根据样本之间的相似度，将一批数据划分为K个组；
如：用户分组、异常值检测等。

4. dimensionality reduction （降维）
为了减少数据的维度，对数据进行降噪、去冗余，方便计算和训练；
如：数据预处理，减少一些对模型准确率影响很小维度，可以提高计算效率。

附录：相关文档资料

PyTorch 官方文档： PyTorch Documentation
PyTorch 中文手册： PyTorch Handbook

《PyTorch深度学习实践》系列链接：

  Lecture01 Overview
  Lecture02 Linear_Model
  Lecture03 Gradient_Descent
  Lecture04 Back_Propagation
  Lecture05 Linear_Regression_with_PyTorch
  Lecture06 Logistic_Regression
  Lecture07 Multiple_Dimension_Input
  Lecture08 Dataset_and_Dataloader
  Lecture09 Softmax_Classifier
  Lecture10 Basic_CNN
  Lecture11 Advanced_CNN
  Lecture12 Basic_RNN
  Lecture13 RNN_Classifier