為什麼機器學習需要神經網路？

神經網路已經存在很多年了，期間它們因其特性而受到讚揚和批評。

但最近，它們比其他機器學習演算法更受關注。當然，機器學習演算法很重要，因為它們有助於實現某些目標。但是，當機器學習演算法無法達到更高的準確率時，我們應該怎麼做呢？

這就是深度學習演算法發揮作用的地方。它們模仿人腦的層次結構，並嘗試透過將輸入從一層傳遞到下一層來做出最佳決策。

顧名思義，神經網路試圖遵循人腦做決策的模式。

到目前為止，我們還沒有達到人腦所使用的智慧水平，但是觀察最新的技術和改進，神經網路能夠與人腦一樣好，甚至更好，也並非遙不可及。

它們已在強化學習中結合Q學習被用來實現高精度。

這種關注度的提高可以歸功於計算機速度更快、能夠有效地使用大型資料集、圖形處理單元 (GPU) 的使用、更好的演算法以及神經網路的架構。

例如，我們可以看到“ImageNet”資料庫。

它包含超過一百萬張來自一千多個類別的、高解析度彩色影像。

這些類別從汽車到動物到樹木，應有盡有。

使用此“ImageNet”資料庫的任務之一是將這些類別中存在的未知影像分類到特定的影像類別。

卷積神經網路已顯示出更高的效能和改進的準確率。

但是，谷歌和蘋果等科技巨頭分別將深度學習演算法用於語音識別和翻譯。

在深入瞭解這些高階概念之前，讓我們瞭解一下只有一層或兩層的神經網路。

這些只有一層或兩層的神經網路並沒有多大用處，但有助於理解神經網路的內部工作原理。

瞭解神經網路的理論、它們的工作原理以及層的意義有助於為深度學習奠定基礎。瞭解簡單網路的工作原理將奠定基礎，這將有助於我們輕鬆理解深度網路的工作原理。

我們將學習的第一個也是最基本的神經網路示例是“感知器”。

AmitDiwan

更新於：2020年12月10日

265 次瀏覽

開啟您的職業生涯

透過完成課程獲得認證

開始學習