目录
章节1 深度学习必备基础知识
课时1 深度学习要解决的问题
人工智能包含了机器学习,机器学习里又包含了深度学习
机器学习流程:数据获取,特征工程,建立模型,评估与应用
不同视角看待神经网络:不应将其看作是算法,而是一种特征提取的方法
数据特征决定了模型的上限,预处理和特征提取是最核心的。算法与参数选择只是决定了如何逼近这个上限。
深度学习就是一个黑盒子,一个数据进到黑盒子里会对其进行自动的数据特征提取,自动学习哪些特征是最好的
课时2 深度学习应用领域
深度学习应用:百分之八九十都是用在计算机视觉和自然语言处理上的 CV(computer vision) 和 NLP
无人驾驶、人脸识别、医学应用:细胞检测、换脸。。。。
ImageNet :公开的图像学习资料库,22000左右的类别,140万的图像
在较小规模的数据集上传统机器学习算法跟深度学习算法效果差不多,但传统算法运行更快,深度学习更适合大量数据规模。
课时3 计算机视觉任务
1.图像在计算机中长什么样
图片分类:比如说有一个数据集里面有很多图片,包含了猫、狗、马、车。。等类别,要将一个猫的图片准确分类成猫
一张图片被表示成三维数组的形式,每个像素的值从0-255
例如: 300 x 100 x 3(300行,100列总共3w个像素点,每个像素点有三种颜色通道RGB)
2.计算机视觉面临的挑战
- 视觉角度地不同
- 形状改变
- 部分被遮蔽
- 物体与背景混合在一起