5、人工神经网络入门与基础解析

人工神经网络入门与基础解析

1. 机器学习问题分类

机器学习（ML）问题主要分为三类：监督学习、无监督学习和强化学习。
- 监督学习 ：人类专家在受限环境中进行实验并记录结果，监督学习算法通过分析实验收集的数据，将输入映射到输出。例如，在一个有障碍物的小房间里，机器人要从一侧移动到另一侧，人类监督者会以示例的形式给予机器人知识，帮助它学习如何绕过障碍物，机器人利用这些知识提高绕过障碍物而不摔倒的概率，其知识完全依赖于人类。
- 强化学习 ：人类为机器人提供一个评估其性能的指标，机器人需要最大化这个指标以实现目标。机器人并不知道何时该向右移动，它会根据指标尝试不同的移动位置并计算指标。如果在某个位置摔倒，下次就会避开该位置，通过这种方式找到不摔倒到达目标的路径。
- 无监督学习 ：与监督学习和半监督学习不同，无监督学习既不会得到实验结果，也没有评估指标，完全没有人类的指导，这极具挑战性。

人工神经网络（ANN）是一种可应用于所有这些问题的算法，这里主要讨论使用 ANN 的监督学习。ANN 是一种受生物启发的机器学习模型，模仿人类大脑的运作，是深度学习（DL）中非常重要的主题。理解具有少量层和神经元的简单 ANN 的运作，有助于理解复杂模型的工作原理。

2. 监督学习中的 ANN

监督学习问题主要分为两类：分类和回归。
- 回归 ：输出是连续的数字。
- 分类 ：输出是分类标签。

这两种类型的问题都可以使