【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
|
10月前
|
机器学习/深度学习 人工智能 安全
探索AI的未来:从机器学习到深度学习
【10月更文挑战第28天】本文将带你走进AI的世界,从机器学习的基本概念到深度学习的复杂应用,我们将一起探索AI的未来。你将了解到AI如何改变我们的生活,以及它在未来可能带来的影响。无论你是AI专家还是初学者,这篇文章都将为你提供新的视角和思考。让我们一起探索AI的奥秘,看看它将如何塑造我们的未来。
298 3
|
机器学习/深度学习 编解码 人工智能
人脸表情[七种表情]数据集(15500张图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
本数据集包含15,500张已划分、已标注的人脸表情图像,覆盖惊讶、恐惧、厌恶、高兴、悲伤、愤怒和中性七类表情,适用于YOLO系列等深度学习模型的分类与检测任务。数据集结构清晰,分为训练集与测试集,支持多种标注格式转换,适用于人机交互、心理健康、驾驶监测等多个领域。
|
1月前
|
机器学习/深度学习 人工智能 监控
河道塑料瓶识别标准数据集 | 科研与项目必备(图片已划分、已标注)| 适用于YOLO系列深度学习分类检测任务【数据集分享】
随着城市化进程加快和塑料制品使用量增加,河道中的塑料垃圾问题日益严重。塑料瓶作为河道漂浮垃圾的主要类型,不仅破坏水体景观,还威胁水生生态系统的健康。传统的人工巡查方式效率低、成本高,难以满足实时监控与治理的需求。
|
1月前
|
机器学习/深度学习 传感器 人工智能
火灾火焰识别数据集(2200张图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
在人工智能和计算机视觉的快速发展中,火灾检测与火焰识别逐渐成为智慧城市、公共安全和智能监控的重要研究方向。一个高质量的数据集往往是推动相关研究的核心基础。本文将详细介绍一个火灾火焰识别数据集,该数据集共包含 2200 张图片,并已按照 训练集(train)、验证集(val)、测试集(test) 划分,同时配有对应的标注文件,方便研究者快速上手模型训练与评估。
火灾火焰识别数据集(2200张图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
|
1月前
|
机器学习/深度学习 人工智能 自动驾驶
7种交通场景数据集(千张图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
在智能交通与自动驾驶技术快速发展的今天,如何高效、准确地感知道路环境已经成为研究与应用的核心问题。车辆、行人和交通信号灯作为城市交通系统的关键元素,对道路安全与交通效率具有直接影响。然而,真实道路场景往往伴随 复杂光照、遮挡、多目标混杂以及交通信号状态多样化 等挑战,使得视觉识别与检测任务难度显著增加。
|
1月前
|
机器学习/深度学习 人工智能 监控
坐姿标准好坏姿态数据集(图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
坐姿标准好坏姿态数据集的发布,填补了计算机视觉领域在“细分健康行为识别”上的空白。它不仅具有研究价值,更在实际应用层面具备广阔前景。从青少年的健康教育,到办公室的智能提醒,再到驾驶员的安全监控和康复训练,本数据集都能发挥巨大的作用。
坐姿标准好坏姿态数据集(图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
|
1月前
|
机器学习/深度学习 编解码 人工智能
102类农业害虫数据集(20000张图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
在现代农业发展中,病虫害监测与防治 始终是保障粮食安全和提高农作物产量的关键环节。传统的害虫识别主要依赖人工观察与统计,不仅效率低下,而且容易受到主观经验、环境条件等因素的影响,导致识别准确率不足。
|
20天前
|
机器学习/深度学习 数据采集 编解码
基于深度学习分类的时相关MIMO信道的递归CSI量化(Matlab代码实现)
基于深度学习分类的时相关MIMO信道的递归CSI量化(Matlab代码实现)
|
4月前
|
机器学习/深度学习 人工智能 供应链
从概念到商业价值:AI、机器学习与深度学习全景指南
在这个科技飞速发展的时代🚀,人工智能正以惊人的速度渗透到我们的生活和工作中👀。但面对铺天盖地的AI术语和概念,很多人感到困惑不已😣。"AI"、"机器学习"、"深度学习"和"神经网络"到底有什么区别?它们如何相互关联?如何利用这些技术提升工作效率和创造价值?
|
机器学习/深度学习 人工智能 文字识别
中药材图像识别数据集(100类,9200张)|适用于YOLO系列深度学习分类检测任务
本数据集包含9200张中药材图像,覆盖100类常见中药材,适用于YOLO系列及主流深度学习模型的图像分类与目标检测任务。数据已划分为训练集(8000张)与验证集(1200张),采用标准文件夹结构和简体中文命名,适配PyTorch、TensorFlow等框架,可用于中药识别系统开发、医学辅助诊断、移动端图像识别App研发及AI科研训练,具备较强的实用性与拓展性。
541 45

热门文章

最新文章