深度学习知识点汇总-机器学习基础(3)

2.3 监督学习的步骤

2.3.1 数据

(1) 数据收集

  • 获取数据及其对应标签
  • 将数据集划分为训练数据集和验证数据集
  • 考虑样本不均衡的问题,并基于此使用交叉验证的方法

(2) 数据预处理

  • 去除错误数据和标签缺失的数据
  • 数据增强

(3) 特征工程

  • 传统机器学习方法中对特征进行选择、组合和优化
  • 深度学习,使用深度神经网络对数据的特征进行自动提取

准确性和实时性、存储空间的要求需要重点考虑。

2.3.2 模型和损失函数

(1) 构建预测模型

  • 机器学习10大算法
  • 最近研究的新型神经网络)

(2) 损失函数
针对具体问题,使用不同的损失函数。损失函数的作用在于指导模型的优化方向。

2.3.3 优化算法

(1) 模型训练

  • 初始化
  • 正则化
  • 权值优化
  • 批处理SGD
  • SGD
  • mini batch SGD
  • 遗传算法
  • 模拟退火算法

(2) 模型选择

  • 根据验证集的测试结果来调整模型参数继续训练
  • 交叉验证
  • k-fold验证

2.3.4 测试应用

  • 将预测模型发布为API接口
  • 在软件中调用该API
  • 在实际应用场景中进行测试,如果有问题,针对问题进行数据处理和模型调整。

你可能感兴趣的:(深度学习知识点汇总-机器学习基础(3))