openMMLab AI实战训练营 CLASS1

目录

机器学习及神经网络基础

分类问题

线性分类器

机器学习训练步骤

神经网络

神经元

衡量神经网络的性能:损失函数


机器学习及神经网络基础

机器学习就是通过海量数据驱动机器去学习、识别、拟合、归纳、挖掘

监督学习:有标签

自监督学习:AI自行进行标注

非监督学习:无标签

强化学习:机器自行适应环境

分类问题

把不同的数据模态转化为向量,再由这个向量去学习N维空间的决策边界和分类边界

转化方法:关键词频率统计、神经网络编码

然后在N维空间中进行特征拟合,区分不同类型的数据

线性分类器

分类拟合边界是直线,则将该分类方法称之为线性分类器

线性分类器空间形态

 二维空间:直线
 三维空间:平面
 四维空间:三维超平面
 由斜率和截距组成

更一般地,线性分类器可以写成矩阵形式,即权重向量的转置乘X再加上截距

机器学习训练步骤

以分类问题为例

1.训练

采集数据进行类别标注,从中选取一部分数据进行分类器训练,得到一个可用于分类数据的分类器

2.验证

从采集、标注的数据中选取另外一部分数据,测试所得的分类器的精度(注意:验证数据集与分类数据集不得重合,以此保证分类器的泛化性能)

3.应用

将经过验证的分类器集成到实际业务系统,实现相应功能

神经网络

一类拟合能力极强的函数

神经元

多层神经元堆叠即可得到神经网络

衡量神经网络的性能:损失函数

openMMLab AI实战训练营 CLASS1_第1张图片

openMMLab AI实战训练营 CLASS1_第2张图片

你可能感兴趣的:(比赛复盘,人工智能,深度学习)