【数据挖掘】神经网络简介 ( 有向图本质 | 拓扑结构 | 连接方式 | 学习规则 | 分类 | 深度学习 | 机器学习 )(二)

简介: 【数据挖掘】神经网络简介 ( 有向图本质 | 拓扑结构 | 连接方式 | 学习规则 | 分类 | 深度学习 | 机器学习 )(二)

VII . 深度学习 简介


1 . 深度学习 : 在 多层神经网络上 , 解决图像 , 文本 , 等分类问题的 机器学习 算法集合 ;



2 . 深度学习 与 神经网络 : 深度学习属于神经网络范畴 , 但 深度学习 与 神经网络 实践应用 上略有不同 , 深度学习的目的是进行 特征学习 , 通过 分层网络 获取不同层次的 特征信息 , 以此来替代人工的相关工作 ;



3 . 深度学习应用场景 :



① 分类阶段 : 分类过程分为两个阶段 , 学习阶段 , 预测阶段 ;


② 特征工程 : 学习阶段 , 又分为 特征工程阶段 和 模型建立阶段 , 这里的特征工程阶段需要人工将特征提取出来 ;


③ 深度学习应用 : 深度学习 就是在 学习阶段 的 特征工程阶段 , 使用机器来完成该阶段的工作 ;




VIII . 机器学习 简介


机器学习简介 :



① 机器学习算法核心 : 抽取出样本特征后 , 然后使用算法为这些特征赋予权值 , 然后针对这些权值进行优化 ;


② 如 : 支持向量机 , 最终需要优化一个超平面 , 这个超平面表达成 w x + b = 0 wx + b = 0wx+b=0 , 其中的 w ww 和 b bb 两个参数就可以看做权值 , 最终目的是优化这两个权值 ; 其中 x xx 就是特征向量 , w ww 就是该特征的权重 ;


③ 机器学习 需要人参与 : 机器学习 中 , 样本的特征需要人工 设计 , 抽取 , 并且这些特征需要手工输入 ;


④ 与深度学习联系 : 深度学习 可以看做 机器学习 的 子领域 ;


⑤ 与深度学习区别 : 传统的 机器学习 的特征工程是靠人工完成 , 深度学习 中的特征工程靠手动完成 ;




IX . 深度学习 与 机器学习 建模对比


1 . 机器学习建模 : 机器学习 建模阶段 , 有两个步骤 , 特征工程 , 学习算法 ;



① 特征工程 ( 人工完成 ) : 传统机器学习中 , 特征工程需要手工抽取样本特征 , 需要精通该领域的专家才能完成该工作 ;


② 学习算法 ( 计算机完成 ) : 将特征抽取出来 , 优化这个特征的权值 ( 参数 ) 即可 ;



2 . 深度学习建模 : 深度学习 的建模阶段 , 全部靠计算机完成 , 人工不用干预 ;



① 特征抽取 : 靠算法完成 ; 从 音频 , 图像 , 文本 , 中抽取特征 ;


② 性能对比 : 深度学习 自动化抽取特征 , 优于机器学习 手工抽取特征 ;




X . 深度学习 与 机器学习 性能对比


1 . 机器学习的弊端 : 手工抽取的特征太过于具体 , 有一些隐含的深层次的特征被忽略掉了 , 抽取的特征不完整 , 另外还要花很长时间设计和验证这些特征 ;


如 : 先抽取一批特征 , 然后使用机器学习算法 使用 这些特征 创建模型 , 测试模型看预测的额准确性 , 如果预测效果不好 , 在选取其它特征组合 , 继续建立模型测试 ;



2 . 深度学习 优势 : 摆脱了人工限制 , 提供了 灵活的 , 通用的 学习框架 ;



① 不易理解 : 使用 深度学习 抽取的特征 , 不容易解释 , 从输入数据中获取向量 , 这些向量的含义未知 , 不易理解 ;


② 适应性强 : 但这些特征保留了很多深层次的信息 , 适应性很强 ;


③ 信息层次 : 其由表面的 , 语义层次的信息 , 转换到了更深层次的信息 ;


④ 学习速度快 : 相对于手工抽取特征 , 学习抽取特征的过程很快 ;


⑤ 学习场景 : 深度学习既可以用于 有监督学习 , 也可以用于 无监督学习 ;


目录
相关文章
|
8天前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习中的卷积神经网络:从理论到实践
【10月更文挑战第35天】在人工智能的浪潮中,深度学习技术以其强大的数据处理能力成为科技界的宠儿。其中,卷积神经网络(CNN)作为深度学习的一个重要分支,在图像识别和视频分析等领域展现出了惊人的潜力。本文将深入浅出地介绍CNN的工作原理,并结合实际代码示例,带领读者从零开始构建一个简单的CNN模型,探索其在图像分类任务中的应用。通过本文,读者不仅能够理解CNN背后的数学原理,还能学会如何利用现代深度学习框架实现自己的CNN模型。
|
7天前
|
机器学习/深度学习 人工智能 算法框架/工具
深度学习中的卷积神经网络(CNN)及其在图像识别中的应用
【10月更文挑战第36天】探索卷积神经网络(CNN)的神秘面纱,揭示其在图像识别领域的威力。本文将带你了解CNN的核心概念,并通过实际代码示例,展示如何构建和训练一个简单的CNN模型。无论你是深度学习的初学者还是希望深化理解,这篇文章都将为你提供有价值的见解。
|
9天前
|
机器学习/深度学习 TensorFlow 算法框架/工具
利用Python和TensorFlow构建简单神经网络进行图像分类
利用Python和TensorFlow构建简单神经网络进行图像分类
28 3
|
21天前
|
机器学习/深度学习 自然语言处理 TensorFlow
深度学习的奥秘:探索神经网络背后的魔法
【10月更文挑战第22天】本文将带你走进深度学习的世界,揭示神经网络背后的神秘面纱。我们将一起探讨深度学习的基本原理,以及如何通过编程实现一个简单的神经网络。无论你是初学者还是有一定基础的学习者,这篇文章都将为你提供有价值的信息和启示。让我们一起踏上这段奇妙的旅程吧!
|
21天前
|
机器学习/深度学习 人工智能 算法
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
车辆车型识别,使用Python作为主要编程语言,通过收集多种车辆车型图像数据集,然后基于TensorFlow搭建卷积网络算法模型,并对数据集进行训练,最后得到一个识别精度较高的模型文件。再基于Django搭建web网页端操作界面,实现用户上传一张车辆图片识别其类型。
65 0
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
|
8天前
|
机器学习/深度学习 人工智能 自动驾驶
深入解析深度学习中的卷积神经网络(CNN)
深入解析深度学习中的卷积神经网络(CNN)
22 0
|
9天前
|
机器学习/深度学习 人工智能 安全
人工智能与机器学习在网络安全中的应用
人工智能与机器学习在网络安全中的应用
26 0
|
10天前
|
机器学习/深度学习 人工智能 自动驾驶
深度学习的奇迹:如何用神经网络识别图像
【10月更文挑战第33天】在这篇文章中,我们将探索深度学习的奇妙世界,特别是卷积神经网络(CNN)在图像识别中的应用。我们将通过一个简单的代码示例,展示如何使用Python和Keras库构建一个能够识别手写数字的神经网络。这不仅是对深度学习概念的直观介绍,也是对技术实践的一次尝试。让我们一起踏上这段探索之旅,看看数据、模型和代码是如何交织在一起,创造出令人惊叹的结果。
20 0
|
11天前
|
机器学习/深度学习 人工智能 TensorFlow
深度学习中的卷积神经网络(CNN)及其在图像识别中的应用
【10月更文挑战第32天】本文将介绍深度学习中的一个重要分支——卷积神经网络(CNN),以及其在图像识别领域的应用。我们将通过一个简单的代码示例,展示如何使用Python和TensorFlow库构建一个基本的CNN模型,并对其进行训练和测试。
|
17天前
|
机器学习/深度学习 自然语言处理 TensorFlow
深度学习中的卷积神经网络(CNN)及其应用
【10月更文挑战第26天】在这篇文章中,我们将深入探讨卷积神经网络(CNN)的基本原理、结构和应用。CNN是深度学习领域的一个重要分支,广泛应用于图像识别、语音处理等领域。我们将通过代码示例和实际应用案例,帮助读者更好地理解CNN的概念和应用。