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 ;
