Baidu_AI_Studio_Learning_1

借鉴于百度的飞桨平台提供的教程
https://aistudio.baidu.com/aistudio/index

深度学习及其发展历程

图灵测试（人和机器作为受试者，作答后，如果考官不能分辨任何机器的回答，那么机器通过图灵测试（这个测试不局限于考试））

发现人的视觉处理是分级的
一种从低层级到高层级的模式

深度学习
低层次特征 - - - - (组合) - - ->抽象的高层特征

机器学习
从大量历史数据中学习规律，从而对新的样本做反应

人工智能
人工智能是计算机科学的一个分支，研究计算机中智能行为的仿真。
每当一台机器根据一组预先定义的解决问题的规则来完成任务时，这种行为就被称为人工智能。
人工智能是一个概括性术语，涵盖了从高级算法到实际机器人的所有内容。

机器学习
是指计算机使用大数据集而不是硬编码规则来学习的能力。
机器学习是人工智能的一个子集;更为具体地说，它只是一种实现AI的技术

监督式学习
输入并且给出预期结果
在这个IO中重新调整自己的计算，在数据集迭代上完善AI（ep：天气预报）
常见任务是分类与回归
分类：比如青年人和老年人的头发颜色和步行速度，对数据进行聚合，归成一类。
回归：拟合对于数据集的趋势预测。
代价在于，当数据很多，打标签会非常复杂。

非监督式学习
是利用既不分类也不标记的信息进行机器学习，并允许算法在没有指导的情况下对这些信息进行操作。
进行逻辑分类。
根据相似性、模式和差异性对未排序的信息进行分组，而不需要事先对数据进行处理
例子是亚马逊等电子商务网站的行为预测AI。
一种算法被称为“聚类”将相似的对象分到同一个组
一种算法被称为“相关”根据自己发现的相似性创建if/then规则
半监督学习：
少量的标记数据和大量未标记数据
假设：
聚类
流形

增强学习：外部环境只给出评价信息而非正确答案
学习机通过强化受奖励的动作来改善自身性能。

多任务学习：
多个相关任务放在一起学习。

深度学习是一种机器学习方法 ，
它允许我们训练人工智能来预测输出，给定一组输入(指传入或传出计算机的信息)。
监督学习和非监督学习都可以用来训练人工智能。

神经网络是一组粗略模仿人类大脑，用于模式识别的算法。

神经元分为 Input ；Hidden； Output 三层
输入层：输入数据
隐藏层：计算数据
输出层：特定输出
权重： weights 标记某特征的重要程度

每个神经元都有一个激活函数。它主要是一个根据输入传递输出的函数。 当一组输入数据通过神经网络中的所有层时，最终通过输出层返回输出数据。

训练
大量的计算能力，大量的数据可以训练我们的AI
重点！！
训练的重点是输入一个数据集合
在遍历这个数据集合后

可以生成一个函数来衡量AI输出与实际输出的差异
叫做成本函数
AI输出结果与数据集结果一致时，成本函数为0

降低成本函数
梯度下降方法
梯度的衡量是
稍微改变输入值，看输出值的变化大小

梯度下降法是一种求函数最小值的方法， 它通过每次数据集迭代之后优化模型的权重来训练模型。通过计算某一权重集下成本函数的梯度，可以看出最小值的梯度方向。

所以要多次遍历数据集