Python深度基礎機器學習
人工智慧 (AI) 是任何使計算機能夠模仿人類認知行為或智慧的程式碼、演算法或技術。機器學習 (ML) 是 AI 的一個子集，它使用統計方法使機器能夠從經驗中學習和改進。深度學習是機器學習的一個子集，它使多層神經網路的計算成為可能。機器學習被視為淺層學習，而深度學習被視為具有抽象性的分層學習。
機器學習涉及廣泛的概念。這些概念列在下面：
- 監督學習
- 無監督學習
- 強化學習
- 線性迴歸
- 代價函式
- 過擬合
- 欠擬合
- 超引數等。
在監督學習中，我們學習從標記資料中預測值。這裡有助於的一種機器學習技術是分類，其中目標值是離散值；例如，貓和狗。另一種可能有所幫助的機器學習技術是迴歸。迴歸作用於目標值。目標值是連續值；例如，可以使用迴歸分析股票市場資料。
在無監督學習中，我們從未標記或未結構化的輸入資料中進行推斷。如果我們有一百萬份醫療記錄，並且我們必須理解它，找到潛在的結構，異常值或檢測異常，我們使用聚類技術將資料分成大的叢集。
資料集被劃分為訓練集、測試集、驗證集等等。
2012 年的一項突破使深度學習的概念得到推廣。一種演算法使用 2 個 GPU 和大資料等最新技術成功地將 100 萬張影像分類為 1000 個類別。
深度學習與傳統機器學習的關係
傳統機器學習模型遇到的主要挑戰之一是稱為特徵提取的過程。程式設計師需要具體說明並告訴計算機要查詢的特徵。這些特徵將有助於做出決策。
將原始資料輸入演算法很少有效，因此特徵提取是傳統機器學習工作流程的關鍵部分。
這給程式設計師帶來了巨大的責任，演算法的效率在很大程度上取決於程式設計師的創造力。對於諸如目標識別或手寫識別之類的複雜問題，這是一個巨大的問題。
深度學習能夠學習多層表示，這是為我們提供自動特徵提取的少數方法之一。可以假設較低層正在執行自動特徵提取，幾乎不需要或根本不需要程式設計師的指導。
廣告