有监督深度学习算法简介！

介绍

本文旨在解释深度学习和一些有监督深度学习算法。本文将讨论以下主题

• 深度学习的定义
• 深度学习算法如何工作。
• 有监督深度学习算法的类型
• 深度学习算法的 5 大应用

深度学习的定义

深度学习是机器学习算法的一个子集，它使用多层神经网络来处理数据和对大量数据进行计算。深度学习算法的工作原理基于人脑的功能和工作原理。

深度学习算法能够在没有人类监督的情况下进行学习，可用于结构化和非结构化类型的数据。深度学习可应用于医疗保健、金融、银行、电子商务等各个行业。

深度学习算法的工作原理

深度学习算法的工作依赖于神经网络，就像人脑使用数百万个神经元计算信息一样。

让我们讨论一下图层类型：

成为全栈数据科学家

转变为专家并对数据科学世界产生重大影响。

下载手册

1. 输入层 – 输入层具有我们已知的数据集的输入特征。
2. Hidden Layer——隐藏层，就像我们需要通过隐藏的神经元来训练大脑一样。
3. 输出层——我们想要分类的值

我们从观察中获取输入特征并将其放入图层中。该层创建一个输出，该输出成为下一层（称为隐藏层）的输入。这种情况会一直发生，直到我们得到最终输出。

我们进一步分离网络并根据问题的复杂性添加大量隐藏层并将所有内容连接起来，就像人脑将所有内容互连一样，这就是输入值通过所有隐藏层进行处理然后得到输出的方式。这就是为什么这种学习过程被称为深度学习，因为输入层和输出层之间进行了大量的计算。

深度学习算法的类型：

这是深度学习算法的分类——

主要我们可以将深度学习分为两种类型，然后我们进一步将每种类型细分为各种深度学习算法。

 

 

在本文中，我们将讨论有监督的深度学习算法。

1. 人工神经网络
2. 卷积神经网络
3. 循环神经网络

现在，让我们简单讨论一下这 3 种算法：

1.人工神经网络：

人工神经网络是计算系统的组成部分，其设计方式是供人脑分析并做出决策。安是深度学习的基石，解决了人类看似不可能或非常困难的问题。

人工神经网络像人脑一样工作。人脑有数十亿个神经元，每个神经元都由一个细胞体组成，负责计算信息，将信息传递给隐藏的神经元，并提供最终的输出。

人工神经网络最初在训练阶段学习根据输入层的输入来识别模式。在此阶段，Ann 的输出与实际输出进行比较，两者之间的差异称为错误。

目的是通过调整互连的权重和偏差（称为反向传播）来最小化误差。通过反向传播过程，期望输出和实际输出之间的差异产生最小的误差。

2.卷积神经网络

CNN 是一种有监督的深度学习，最适合用于图像识别和计算机视觉。

 

CNN 有多个层来处理和提取图像的重要特征。CNN的工作原理主要有4个步骤

步骤：1 使用 Relu 激活函数进行卷积运算

卷积运算的目的是使用特征检测器找到图像中的特征，以保留像素之间的特殊关系。Relu激活函数用于打破线性并希望增加非线性，因为图像本身是高度非线性的。

步骤：2 池化

池化是一种下采样操作，可以减少维度和计算量，减少过度拟合，因为参数较少，并且模型能够容忍变化和失真。

步骤：3 展平

展平用于在进一步处理之前将池化输出放入一维矩阵中。

步骤：4全连接层

当扁平化输出被输入到神经网络中时，会形成一个完全连接的层，该神经网络进一步对图像进行分类和识别。

3.循环神经网络（RNN）

RNN 是一种监督式深度学习，其中上一步的输出将作为当前步骤的输入。RNN 深度学习算法最适合顺序数据。RNN 最适合用于图像字幕、时间序列分析、自然语言处理、手写识别和机器翻译。

 

 

RNN 最重要的特征是隐藏状态，它会记住有关序列的一些信息。RNN 的工作原理主要有 4 个步骤。

1. t-1 时刻隐藏状态的输出馈入时刻 t 的输入。
2. 同样，时间 t 的输出馈入时间 t+1 的输入。
3. RNN 可以处理任意长度的输入
4. RNN 计算取决于历史序列数据，并且模型大小不会随着输入大小而增加。

通过这种方式，RNN 将独立激活转换为相关激活，从而通过将每个输出作为下一个隐藏层的输入来降低增加参数和记住每个先前输出的复杂性。

深度学习算法的 5 大应用

以下是深度学习在不同行业中的一些应用方式。

1.计算机视觉

计算机视觉主要依赖于图像处理方法。在深度学习之前，最好的计算机视觉算法依靠传统的机器学习和图像处理获得了25%的错误率。但是，当深度神经网络用于图像处理时，错误率下降到了 16%，而现在随着深度学习算法的进步，错误率下降到了 4% 以下。

2.文本分析与理解

文本分析包括文档分类、情感分析、自动翻译等。由于文本数据的顺序类型，循环神经网络是这里最有用的深度学习算法。

3.语音识别

语音识别能够通过计算机将人类语音处理为文本。传统上，语音识别主要依赖于大量的特征提取过程，但深度学习直接处理原始数据并在大型音频记录数据集上进行训练。

4.模式识别

模式识别是对数据中模式和规律的自动识别。数据类型可以多种多样，从文本、图像到声音或音频。

PayPal 正在通过预测分析平台 H2O 使用深度学习来帮助防止支付交易和欺诈性购买

5.自动驾驶汽车

自动驾驶汽车能够从各种传感器收集周围环境的数据，对其进行解释，并根据解释选择需要采取的行动。深度学习使我们能够学习如何像人类一样有效地执行工作。

谢谢阅读！在我的下一篇文章中，我将解释应用程序的各种激活功能。