深度学习第0节 机器学习与深度学习

1.机器学习简介一般是基于数学或者统计学的方法具有很强的可解释性。例子KNN决策树朴素贝叶斯1.1 KNNK最近邻居K-Nearest Neighbors简称KNN上图第4个例子200人选180个川大的不能判断小明是川大的因为这个KNN模型只能选择小明是北大还是清华的川大属于杂项。这种数据有标签的学习就是监督学习。2.深度学习是什么关键在于找到一个函数f2.1 输入一般有三种数据形式2.2 输出一般也有三种形式2.3 小练习判断不同任务的输入和输出分别对应上面哪种任务输入输出根据种子大小重量等预测发芽率向量回归任务根据视频生成字母(视频就是序列)序列结构化输出判断图片中的人物矩阵分类任务判断动漫是否为同一部(一般要用连续的视频才能判断)序列分类任务判断动漫声优是否为同一人序列分类任务判断淘宝商品配图和文字是否一致(图文字)序列分类任务圈出图片中的羊并识别为羊矩阵回归(圈羊)分类(识别羊)根据车摄像头看到的画面画出人、路、车图像矩阵分类/结构化输出(给每个像素点分类)CHATGPT序列结构化输出3.回归与神经元本节课主要讲的是回归任务线性回归模型通过梯度下降算法优化权值w(weight)和偏置b(bias)让缺失率Loss函数足够小模型就越准确η是学习率也可以成为梯度下降每次优化的步长是人为规定的可以自由取值的变量人为规定的可以自由取值的变量也叫超参数。更复杂的神经网络使用线性模型无法画出所以后续还会讲sigmoid函数组成的模型在下一节课的内容中。