Deep Learning | 深度学习介绍与基本概念

深度学习(Deep Learning)

深度学习是基于机器学习延伸出来的一个新的领域，由以人大脑结构为启发的神经网络算法为起源加之模型结构深度的增加发展，并伴随大数据和计算能力的提高而产生的一系列新的算法。

深度学习什么时间段发展起来的？

其概念由著名科学家Geoffrey Hinton等人在2006年和2007年在《Sciences》等上发表的文章被提出和兴起。

基本概念

训练集(training set/data)/训练样例（training examples): 用来进行训练，也就是产生模型或者算法的数据集

测试集(testing set/data)/测试样例 (testing examples)：用来专门进行测试已经学习好的模型或者算法的数据集

特征向量(features/feature vector)：属性的集合，通常用一个向量来表示，附属于一个实例

标记(label): c(x), 实例类别的标记

正例(positive example)

反例(negative example)

分类 (classification):  目标标记为类别型数据(category)

回归(regression):  目标标记为连续性数值 (continuous numeric value)

有监督学习(supervised learning)： 训练集有类别标记(class label)

无监督学习(unsupervised learning)： 无类别标记(class label)

半监督学习（semi-supervised learning)：有类别标记的训练集 + 无标记的训练集

机器学习步骤框架

1. 把数据拆分为训练集和测试集

2. 用训练集和训练集的特征向量来训练算法

3. 用学习来的算法运用在测试集上来评估算法 （可能要设计到调整参数（parameter tuning), 用验证集（validation set）