兔子鱼兮

2.1 初始神经网络

4.1 机器学习的四个分支 4.1.1 监督学习 给定一组样本，它可以学会将输入数据映射到已知目标（标注）。 4.1.2 无监督学习 在没有目标的情况下寻找输入数据的有趣变换。 4.1.3 自监督学习 自监督学习是没有人工标注的标签的监督学习 4.1.4 强化学习 在强化学习中，智能体接收有关其环境的信息，并学会选择使某种奖励最大化的行动。 游戏、自动驾驶、机器人 4.2 评估机器学习模型 4.2...

5.1 卷积神经网络简介 5.1.1 卷积运算 密集连接层和卷积层的根本区别在于，Dense层从输入特征中学到的是全局模式，而卷积层学到的是局部模式。 卷积神经网络具有两个性质： 卷积神经网络学到的模式具有平移不变性。 卷积神经网络可以学到模式的空间层次结构。 特征图的含义：深度轴的每个维度都是一个特征 理解边界效应与填充 理解卷积步幅 5.1.2 最大池化运算 5.2 在小型数据集上从头...

使用深度学习模型处理文本、时间序列和一般的序列数据。用于处理序列的两种基本的深度学习算法分别是循环神经网络和一维卷积神经网络。

9.1 重点内容回顾 9.1.1 人工智能的各种方法 9.1.2 深度学习在机器学习领域中的特殊之处 9.1.3 如何看待深度学习 9.1.4 关键的推动技术 9.1.5 机器学习的通用工作流程 9.1.6 关键网络架构 三种网络架构：密集连接网络、卷积网络和循环网络。 9.1.7 可能性空间 9.2 深度学习的局限性 任何需要推理（编程或科学方法的应用）、长期规划和算法（排序算法）数据处理的东西...

3.1 神经网络剖析 训练神经网络围绕： 层，多个层组合成网络（或模型） 输入数据和相应的目标 损失函数，即用于学习的反馈信号 优化器，决定学习过程如何进行 3.1.1 层：深度学习的基础组件 层是一个数据处理模块，将一个或多个输入张量转换为一个或多个输出张量。 大多数层是有状态的，即层的权重。 权重是利用随机梯度下降学到的一个或多个张量，其中包含网络的知识。 2D张量用密集连接层来处理，3...

1.1 人工智能、机器学习与深度学习 1.1.1 人工智能 努力将通过由人类完成的智力任务 1.1.2 机器学习 机器学习系统是训练出来的。 1.1.3 从数据中学习表示 需要三个要素来进行机器学习： 输入数据点 预期输出的示例 衡量算法效果好坏的方法 机器学习和深度学习的核心问题在于有意义地变换数据，换句话说，在于学习输入数据的有用表示——这种表示可以让数据更接近预期输出。 机器学习中的...