深度学习学习笔记1.1

 10.10

1.深度学习概念

        深度学习是一种机器学习的方法，旨在通过构建和模拟人脑神经网络的方式来进行模式识别和学习。它涉及到多层次的神经网络结构，可以自动地从大量的数据中学习和提取特征，并用于分类、回归、图像处理、自然语言处理等任务。深度学习经常使用大规模的训练数据和强大的计算资源来训练模型，其在许多领域都取得了很大的成功，例如图像识别、语音识别、机器翻译等。

        深度学习的核心思想是通过多个神经网络层的组合，逐层进行特征提取和抽象，从而实现更高级别的表示学习和决策推断。与传统的机器学习方法相比，深度学习可以从原始数据中自动地学习特征，无需依赖手动设计的特征工程。

        深度学习的一个重要组成部分是神经网络，它由大量的神经元（或称为节点）组成，每个神经元都与下一层的神经元相连接。每个神经元接收输入信号，经过权重和偏差的调整后，通过激活函数产生输出，再传递给下一层神经元。这种层层传递和处理信息的方式使得神经网络能够模拟人脑的神经元之间的信息传递和处理过程。

        深度学习在许多领域取得了重大突破，如计算机视觉方面的图像分类、目标检测、人脸识别等；自然语言处理方面的语义分析、机器翻译、语音识别等；以及医学影像分析、金融风险评估、智能推荐系统等应用。深度学习的发展离不开大数据、强大的计算资源以及优秀的算法模型，它为我们解决复杂的智能任务提供了新的思路和方法。

2.知识点

RNN（Recurrent Neural Network)：循环神经网络

CNN（Convolutional Neural Network):卷积神经网络

结构化数据：结构化数据也称作行数据，是由二维表结构来逻辑表达和实现的数据，严格地遵循数据格式与长度规范，主要通过关系型数据库进行存储和管理。 

非结构化数据：非结构化数据是数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据。包括所有格式的办公文档、文本、图片、XML, HTML、各类报表、图像和音频/视频信息等等。