SuperGQB的博客

神经元是神经网络的基本单元，具有多输入单输出的特性，输入分为兴奋性和抑制性两种，并具备空间整合和阈值特性。神经网络的训练过程包括数据准备、网络结构选择、参数初始化、正向传播、损失计算、反向传播、参数更新、迭代训练、模型评估和部署。MP模型和梯度下降法是神经网络中的重要概念，而sklearn是Python中常用的机器学习库。激活函数和损失函数是神经网络中引入非线性和评估模型性能的关键。过拟合和欠拟合问题可以通过调整网络参数和正则化等方法缓解。优化器如SGD、Adam等用于更新网络参数。使用TensorFlow

所谓激活函数（Activation Function），就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。激活函数对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特性引入到网络中。如图1，在神经元中，输入的 inputs 通过加权，求和后，还被作用了一个函数，这个函数就是激活函数。引入激活函数是为了增加神经网络模型的非线性。没有激活函数的每层都相当于矩阵相乘。就算你叠加了若干层之后，无非还是个矩阵相乘罢了。

卷积神经网络（CNN）是一种深度学习算法，广泛应用于图像识别等领域。CNN的核心结构包括输入层、卷积计算层、激活层、池化层和全连接层。输入层负责数据预处理，如去均值和归一化。卷积计算层通过滤波器提取图像特征，激活层引入非线性，池化层降低数据维度，全连接层综合特征进行最终分类。CNN的优点包括自动特征提取和强大的表达能力，但需要大量数据和调参，且对硬件要求高。CNN通过层次化结构有效处理图像数据，是深度学习的代表技术之一。

文章摘要：本文介绍了机器学习的基础概念和方法，分为三周内容。第一周涵盖监督学习和无监督学习，包括回归和分类两种类型，以及损失函数（如均方误差函数）。第二周重点讨论回归分析，涉及多维特征、向量化技术及多元线性回归的梯度下降法。第三周转向分类问题，介绍逻辑回归及其在分类中的应用，特别是决策边界的引出。整体内容旨在为读者提供机器学习的基本框架和关键算法。

本文分为回归和分类两部分，详细介绍了机器学习中的基本概念和方法。在回归部分，讨论了如何设置问题、定义模型、使用最小二乘法和最速下降法进行参数优化，以及多项式回归和多重回归的应用。分类部分则涵盖了感知机模型、逻辑回归算法、sigmoid函数和决策边界等关键概念，以及如何处理线性不可分问题。文章通过数学表达式和算法步骤，深入浅出地解释了如何通过训练数据优化模型参数，以实现准确的预测和分类。