【深度学习学习记录】

ch0 机器学习与深度学习

0.1人工智能、机器学习、深度学习概念

人工智能是能够感知、推理、行动和适应的程序
机器学习是随着数据量的增加不断改变性能的算法；具有数学上的可解释性，但准确率不是百分百，且不灵活
而深度学习是机器学习的一个子集：利用多层神经网络从大量数据中进行学习

传统系统是根据规则和数据生成答案，而机器学习是根据答案和数据来企图学习获得规则 典型的是围棋

机器学习算法简介：一般是基于数学或统计学的方法，具有很强的可解释性。这里简述几个经典的传统机器学习算法：KNN、决策树、朴素贝叶斯

0.2KNN、决策树、朴素贝叶斯

KNN——K最近邻居——K-Nearest Neighbors
例子：判断小明是清华还是北大 现取离他位置最近的100个人出来，看他们是清华还是北大
KNN是一种监督学习算法，用于分类和回归问题。它的基本思想是通过测量不同数据点之间的距离来进行预测。KNN的工作原理可以概括为以下几个步骤：
（1）距离度量：KNN使用距离度量（通常是欧式距离）来衡量数据点之间的相似性
（2）确定邻居数量K
（3）投票机制
有时候还根据距离远近来给予权重
决策树——不善于处理未见过的特征
朴素贝叶斯——后验概率

0.3深度学习——设计一个很深的网络架构让机器自己学

大家有时候会说深度学习是一个黑匣子，完全没有可解释性，
所谓的深度学习就是在找一个函数f

初识神经网络任务
f（x）=y
f（身高、体重、财富）=寿命
f（图片）=“赫萝”
f（描述）=图片
常见的神经网络的输入，一般有三种数据形式：
1.向量：身高，体重，财富 = （180,140，-1000）
2.矩阵/张量 ：图片、颜色 =矩阵
3.序列：你今天吃什么 组合起来才