合肥网站制作专业,百度官网电话,做企业网站一般用什么服务器,嘉定装饰装修网站机器学习和深度学习的综述
1.1.1人工智能、机器学习、深度学习的关系
人工智能#xff08;Artificial Intelligence#xff0c;AI#xff09;是最宽泛的概念#xff0c;是研发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。由于这个定义…机器学习和深度学习的综述
1.1.1人工智能、机器学习、深度学习的关系
人工智能Artificial IntelligenceAI是最宽泛的概念是研发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。由于这个定义只阐述了目标而没有限定方法因此实现人工智能存在的诸多方法和分支导致其变成一个“大杂烩”式的学科。机器学习Machine LearningML是当前比较有效的一种实现人工智能的方式。深度学习Deep LearningDL是机器学习算法中最热门的一个分支近些年取得了显著的进展并替代了大多数传统机器学习算法。
1.1.2 机器学习
区别于人工智能机器学习、尤其是监督学习则有更加明确的指代。机器学习是专门研究计算机怎样模拟或实现人类的学习行为以获取新的知识或技能重新组织已有的知识结构使之不断改善自身的性能。这句话有点“云山雾罩”的感觉让人不知所云下面我们从机器学习的实现原理和实施方法两个维度进行剖析帮助读者更加清晰地认识机器学习的来龙去脉。
1.1.2.1 机器学习的原理
机器学习的实现可以分成两步训练和预测类似于归纳和演绎
归纳从具体的案例中抽象出一般规律。机器学习中的“训练”亦是如此。从一定数量的样本已知模型输入和模型输出中学习输出与输入的关系可以想象成是某种表达式。演绎从一般规律推导出具体案例的结果机器学习中的“预测”亦是如此。基于训练得到的与之间的关系如出现新的输入计算出输出。通常情况下如果通过模型计算的输出和真实场景的输出一致则说明模型是有效的。
1.1.2.2 机器学习实施
机器学习的实施方法和人类科研的过程有着异曲同工之妙下面以“机器从牛顿第二定律实验中学习知识”为例帮助读者更加深入理解机器学习监督学习的方法论本质即在“机器思考”的过程中确定模型的三个关键要素假设、评价、优化。 1案例机器从牛顿第二定律实验中学习知识 牛顿第二定律
牛顿第二定律是艾萨克·牛顿在1687年于《自然哲学的数学原理》一书中提出的其常见表述物体加速度的大小跟作用力成正比跟物体的质量成反比与物体质量的倒数成正比。牛顿第二运动定律和第一、第三定律共同组成了牛顿运动定律阐述了经典力学中基本的运动规律。 在中学课本中牛顿第二定律有两种实验设计方法倾斜滑动法和水平拉线法如下图所示 相信很多读者都有摆弄滑轮和小木块做物理实验的青涩年代和美好回忆。通过多次实验数据可以统计出如 表1 所示的不同作用力下的木块加速度。 a 观察实验数据不难猜测物体的加速度和作用力之间的关系应该是线性关系。因此我们提出假设 ⋅其中代表加速度代表作用力是待确定的参数。通过大量实验数据的训练确定参数 是物体质量的倒数(1/)即得到完整的模型公式⋅(1/)。当已知作用到某个物体的力时基于模型可以快速预测物体的加速度。如燃料对火箭的推力10火箭的质量2可快速得出火箭的加速度5。 2如何确定模型参数 上面这个案例演示一个有趣的机器学习的案例过程但是其中一个关键点的实现尚未清洗就是如何确定参数(w1/m)(w1/m)(w1/m) 确定参数的过程与科学家提示假说的方式类似合理的假说可以最大化的解释已知的数据如果未来观测到的数据不符合已有的假说理论那么科学家就是需要重新提出新的假说。因此模型的有效的基本条件是能够拟合已知的样本。这就是我们学习有效模型的实现方案。 上图中以H做为模型的假设H是关于w和x的函数表示为H(w,x)H(w,x)H(w,x)模型的优化目标是让模型的输出和数据的真实值尽量保持一致其两者的差异程度用代价函数Loss Function来衡量这个差异越小越好。那么模型的优化过程就是在已知样本上不断的减小Loss Function的值使其收敛。 假设机器通过尝试答对最小化损失大量的习题已知样本来学习知识模型参数w并期望用学习到的知识所代表的模型H(w,x)回答不知道答案的考试题未知样本。最小化损失是模型的优化目标实现损失最小化的方法称为优化算法也称为寻解算法找到使得损失函数最小的参数解。参数www和输入xxx组成公式的基本结构称为假设。在牛顿第二定律的案例中基于对数据的观测我们提出了线性假设即作用力和加速度是线性关系用线性方程表示。由此可见模型假设、评价函数损失/优化目标和优化算法是构成模型的三个关键要素。
机器学习就是一个拟合大公式 本文来源于学习百度飞桨训练课程
