深度学习：算法到实践（一）绪论

偏执的太偏执、 2022-11-17 05:13 246阅读 0赞

# 1. 人工智能和机器学习概述 #

## 什么是人工智能？ ##

使一部机器像人一样进行感知、认知、决策、执行的人工程序或系统

## 人工智能发展的标志性事件 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70]

## 人工智能发展阶段 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 1]

## 人工智能的三个层面 ##

计算智能：能存能算。  
感知智能：能听会说、能看会认，类似于人的视觉、听觉、触觉等感知能力。  
认知智能：能理解会思考，概念、意识、观念都是认知智能的表现。

## 人工智能和机器学习与深度学习的关系 ##

人工智能是一个领域，就是一个目标，我们希望机器能像人一样的去感知、去思考，机器学习的是来实现这样一个目标的一类方法，而深度学习只是这一类方法中的很小的一个点。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 2]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 3]

## 知识工程 vs 机器学习 ##

知识工程

*  根据专家定义的知识和经验，进行推理和判断，从而模拟人类专家的决策过程来解决问题。
 *  基于**手工设计规则**建立专家系统
 *  **结果容易解释**
 *  系统构建费时费力
 *  依赖专家主观经验，**难以保证一致性和准确性**

机器学习

*  可以使用决策树，支持向量机，深度学习的方法，通过数据自动学习的模型，模型内可以是if-then准则，也可以是深度学习中不可解释的规则，当输入一个文档时，自动的利用这些准则自动做出判断。
 *  基于数据**自动学习**
 *  减少人工复杂工作，但结果可能不易解释
 *  **提高信息处理的效率**，且准确率较高
 *  来源于真实数据，**减少人工规则主观性，可信度高**

## 机器学习的定义 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 4]

## 机器学习：怎么学 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 5]

## 模型分类 ##

1.根据数据标记分类

**监督学习模型**

*  数据标记已知
 *  目的在于学习输入
 *  输出映射
 *  从数据中学习标记分界面（输入-输出的映射函数），适用于**预测数据标记**

**非监督学习模型**

*  数据标记未知
 *  目的在于发现数据中模式/有意义信息
 *  从数据中学习模式，适用于**描述数据**

**半监督学习**

*  **部分数据标记已知**
 *  监督学习和无监督学习的混合

**强化学习**

*  **数据标记未知，但知道与输出目标相关的反馈（奖励反馈）**
 *  决策类问题

2.根据数据分布分类

**参数模型：**

*  对数据分布进行假设，待求解的数据模式/映射可以用一组有限且固定数目的参数进行刻画
 *  如：线性回归，逻辑回归，感知机，k均值聚类
 *  优点：数据需求少、训练快速
 *  缺点：模型复杂度有限，与真实目标函数拟合度小

**非参数模型**

*  不对数据分布进行假设，数据的所有统计特性都来源于数据本身
 *  如：k近邻，svm，决策树，随机森林
 *  优点：对数据适应性强，可拟合不同的函数形式
 *  缺点：数据需求大、容易过拟合

3.根据建模对象分类：**判别 vs 生成模型**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 6]

# 2. 深度学习概述 #

## 深度学习三个助推剂： ##

数据、算法、计算力

## 深度学习的“不能” ##

1.算法不稳定，容易被攻击；
    
      2.模型复杂度高，难以纠错和调试；
    
      3.模型层级复合程度高，参数不透明；
    
      4.端到端训练方式对数据依赖性强，模型增量性差；当样本数据量小的时候，深度学习无法体现强大拟合能力；深度学习可以进行语义标注和关系检测，但无法进一步完成图像描述；
    
      5.专注直观感知类问题，对开放性推理问题无能为力；
    
      6.人类知识无法有效引入进行监督，机器偏见难以避免

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 7]

## 连接主义+符号主义 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 8]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70]: /images/20221022/8a059b95abc84c86922b1233fbe266f5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 1]: /images/20221022/3089cc2cfbd047dfa1005d0be38e35c8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 2]: /images/20221022/4ee55161e8f14425bd82be6e25f678fc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 3]: /images/20221022/f05e9f6390d940fabbde2eba099e342c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 4]: /images/20221022/e0ecc66af45443b9a7bcc1a00e22de44.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 5]: /images/20221022/60cadd89285241f292e60a878f557a9d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 6]: /images/20221022/fb65182c038e4ab7994c586ba49a2a3d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 7]: /images/20221022/dc8ff467b8c5483391f18ed3082d8b99.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FzMTc4MDkyNTk3MTU_size_16_color_FFFFFF_t_70 8]: /images/20221022/7fce4453e1464f53b7dd49ab15a69a67.png