机器学习是什么?深度学习DeepLeaning现实一些该怎么学?

作为刚入门的小白,刚刚以实验出真理的心态抱着大腿完成了一次图像分类达到top1-96的宝贵经历。

以下是对于前辈讲座理解以及这次实践后理解心得:



机器学习是什么?

机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能,特别是如何在经验学习中改善具体算法的性能。
机器学习是对能通过经验(训练)自动改进的计算机算法的研究。
机器学习是用数据或以往的经验,以此优化计算机程序的性能标准。

机器学习是机器能通过分析寻找有监督或者无监督数据(数据集)的特征与模式,对未知的数据进行预测,并达到一一定准确率!



深度学习是什么?

是机器学习的一个分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。

深度学习能够自动寻找特征,避免手工提取特征的麻烦。

深度学习模型结构复杂,计算时间长。

深度学习在有大量数据的背景下表现比常见机器学习算法好,但数据量小的时候不建议使用。

深度学习为黑盒,可解释性很差。

首先,正常情况,先看一两本机器学习的书籍。比如西瓜书,或者集体智慧编程之类的算法入门。

了解一些算法原理:

聚类算法(k-means, k-means++, 层次聚类, 谱聚类)

分类算法(感知机, logstic回归 ,SVM)

回归算法(线性回归,神经网络)

集成学习(随机森林)

评估指标(准确率,召回率)

另外,必须有一定的数学基础:

- 微积分(多元微分,梯度,拉格朗日)

- 线性代数(矩阵奇异值分解,特征矩阵)

- 概率论(贝叶斯,条件概率,联合概率分布)

再者,还要有编程基础:

熟练使用Python

最好对C++,C也熟练使用(经常用这俩为运行缓慢的C写接口)

对大数据平台(Spark, Hive, Hadoop)有兴趣的需要学习Java

对Numpy, Pandas, Scikit-learn等包熟练使用(调包侠的基本素养)

最后,数据是王道,无数次调整参数,实践出真知。

对于数据来说,大部分实验室都得有自己的特色数据,企业不仅需要买数据,跟地方合作采数据,还有完整的标注团队。所以数据是王道。

对于个人,通过无数次调参实验,解决过程中实践反馈的问题。当自己有想法,再去实践,看能不能达到自己的预期。

原文地址:https://www.cnblogs.com/hoanfir/p/9048950.html

时间: 2024-10-31 04:41:24

机器学习是什么?深度学习DeepLeaning现实一些该怎么学?的相关文章

机器学习(Machine Learning)&深度学习(Deep Learning)资料

机器学习(Machine Learning)&深度学习(Deep Learning)资料 <Brief History of Machine Learning> 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机.神经网络.决策树.SVM.Adaboost到随机森林.Deep Learning. <Deep Learning in Neural Networks: An Overview> 介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最新版本

机器学习《Python深度学习》介绍及下载

本书由Keras之父.现任Google人工智能研究员的弗朗索瓦•肖莱(François Chollet)执笔,详尽介绍了用Python和Keras进行深度学习的探索实践,涉及计算机视觉.自然语言处理.生成式模型等应用.书中包含30多个代码示例,步骤讲解详细透彻.由于本书立足于人工智能的可达性和大众化,读者无须具备机器学习相关背景知识即可展开阅读.在学习完本书后,读者将具备搭建自己的深度学习环境.建立图像识别模型.生成图像和文字等能力. 链接:https://pan.baidu.com/s/1O2

算法工程师耗尽心血终成TensorFlow深度学习应用实践,值得一学!

本篇总的指导思想是在掌握深度学习的基本知识和特性的基础上,培养使用TensorFlow进行实际编程以解决图像处理相关问题的能力.全篇力求深入浅出,通过通俗易懂的语言和详细的程序分析,介绍TensorFlow的基本用法.高级模型设计和对应的程序编写. 本篇强调理论联系实际,重点介绍TensorFlow编程解决图像识别的应用,提供了大量数据集,并以代码的形式实现了深度学习模型,以供读者参考. 本篇可作为学习人工神经网络.深度学习TensorFlow 程序设计以及图像处理等相关内容的程序设计人员学习.

机器学习工程师 - Udacity 深度学习

一.神经网络1.为了进行梯度下降,误差函数不能是离散的,而必须是连续的.误差函数必须是可微分的.同时,要将离散预测变成连续预测,方法是将激活函数从阶跃函数变成S函数. 2.最大似然法:选出实际发生的情况所对应的概率更大的模型. 3.交叉熵(损失函数):将得到的概率取对数,对它们的相反数进行求和.准确的模型得到较低的交叉熵.交叉熵可以告诉我们两个向量是相似还是不同. 4.Logistic回归(对数几率回归)机器学习中最热门和最有用的算法之一,也是所有机器学习的基石.基本上是这样的:1)获得数据:2

机器学习、深度学习的理论与实战入门建议整理

引言 拿到这份文档时想必你的脑海中一直萦绕着这么一个问题,"机器学习/深度学习要怎么学呢?(怎么入门,又怎么进一步掌握?)".关于这个问题其实并没有一个标准答案,有的人可能适合自底向上的学,也就是先从理论和数学开始,然后是算法实现,最后再通过一些项目去解决生活中的实际问题:有的人则可能适合自顶向下的学,也就是在弄清楚什么是机器学习及为什么学机器学习后,先确定一个系统性的用机器学习来解决实际问题的程序,然后找到一个合适的工具,接着再在各种数据集上做练习以不断加强自己的实践能力与巩固对算法

5分钟内看懂机器学习和深度学习的区别

欢迎大家前往腾讯云+社区,获取更多腾讯海量技术实践干货哦~ 本文由liuxuewen发表于云+社区专栏 在本文中,我们将研究深度学习和机器学习之间的差异.我们将逐一了解它们,然后讨论他们在各个方面的不同之处.除了深度学习和机器学习的比较外,我们还将研究他们未来的趋势和走向. 深度学习 VS 机器学习 深度学习与机器学习简介 一.什么是机器学习? 通常,为了实现人工智能,我们使用机器学习.我们有几种算法用于机器学习.例如: Find-S算法 决策树算法(Decision trees) 随机森林算法

TensorFlow【机器学习】:如何正确的掌握Google深度学习框架TensorFlow(第二代分布式机器学习系统)?

本文标签:   机器学习 TensorFlow Google深度学习框架 分布式机器学习 唐源 VGG REST   服务器 自 2015 年底开源到如今更快.更灵活.更方便的 1.0 版本正式发布,由 Google 推出的第二代分布式机器学习系统 TensorFlow一直在为我们带来惊喜,一方面是技术层面持续的迭代演进,从分布式版本.服务框架 TensorFlow Serving.上层封装 TF.Learn 到 Windows 支持.JIT 编译器 XLA.动态计算图框架 Fold 等,以及

【转载】机器学习——深度学习(Deep Learning)

机器学习——深度学习(Deep Learning) 分类: Machine Learning2012-08-04 09:49 142028人阅读 评论(70) 收藏 举报 algorithmclassificationfeaturesfunctionhierarchy Deep Learning是机器学习中一个非常接近AI的领域,其动机在于建立.模拟人脑进行分析学习的神经网络,最近研究了机器学习中一些深度学习的相关知识,本文给出一些很有用的资料和心得. Key Words:有监督学习与无监督学习

机器学习——深度学习(Deep Learning)

Deep Learning是机器学习中一个非常接近AI的领域,其动机在于建立.模拟人脑进行分析学习的神经网络,最近研究了机器学习中一些深度学习的相关知识,本文给出一些很有用的资料和心得. Key Words:有监督学习与无监督学习,分类.回归,密度估计.聚类,深度学习,Sparse DBN, 1. 有监督学习和无监督学习 给定一组数据(input,target)为Z=(X,Y). 有监督学习:最常见的是regression & classification. regression:Y是实数vec