11、深度学习基础与相关概念解析

深度学习基础与相关概念解析

1. 深度学习基础

深度学习（DL）是机器学习的一个子领域，与受人类大脑结构和功能启发的人工神经网络算法有关。学习数据集的方式可以是监督学习、半监督学习或无监督学习。

2. 从数据模式进行机器学习

机器学习（ML）是一个广泛的领域，深度学习是其中重要的子集。机器学习通常被描述为对算法和数据模型的研究，这些算法和模型可以执行计算机实现的任务，而无需为完成这些任务进行明确编程。它主要依赖于检测数据模式并对数据进行推断，常见的任务有：
- 检测
- 分类
- 识别
- 预测

这些任务可应用于各种数据集，包括静态图像、数值数据和实时数据流（如视频、音频和射频流）。

以分类任务为例，之前提到的 k - NN 数据模型是非参数的，即该模型不对底层数据分布做任何假设，其模型结构由数据决定。当对数据分布了解甚少时，k - NN 是分类研究的首选之一。为了更好理解非参数的概念，下面介绍参数化分类算法。参数化是将系统、过程或模型的状态表示为一些独立量（参数）的函数的数学过程。在机器学习应用中，描述系统状态的关键参数有：
- 数据：是机器学习的基础，有值和类标签两个方面。值的范围广泛，从图像的原始像素值到住房数据集中的房价。在机器学习领域，数据通常表示为矩阵，称为设计矩阵 X，其中 $x_i$ 是设计矩阵的第 $i$ 个元素，$y_i$ 是第 $i$ 个类标签。
- 评分函数：将输入数据映射到预测类标签，通用方程形式为 $f(输入数据)=预测类标签$。实际上，该方程产生一个值，与最大值关联的类标签就是该分类器的预测结果。
- 损失函数：量化预测类标签与数据集中记