发帖
雷达卡
2020/02/01
《Python深度学习》读书笔记-(Keras之父弗朗索瓦>肖莱著；张亮译)
《No.01: p01~p10》第1章 什么是深度学习
1. 什么是深度学习
1.1. 人工智能、机器学习与深度学习:
1.1.1. 人工智能
1.1.1.1. 简洁定义: 努力将通常由人类完成的智力任务自动化。
1.1.1.2. 包含机器学习与深度学习。
1.1.2. 机器学习
1.1.2.1. 机器学习是用来取代”符号主义人工智能”的新方法。
1.1.2.2. 图灵测试告诉我们: 计算机可以透过自我学习执行特定任务
1.1.2.3. 经典的程序设计: 系统输入”规则”、”数据”，由计算机自主生成答案。
1.1.2.4. 机器学习: 机器学习系统是训练出来的，而不是明确用程序编写出来的。系统输入”数据”、”答案”，由计算机算出”规则”。
1.1.3. 从数据中学习表示
1.1.3.1. 机器学习的三个要素
1.1.3.1.1. 输入数据点:
1.1.3.1.2. 预期输出的示例(答案)
1.1.3.1.3. 衡量效果好坏的方法: 衡量算法当前的输出与预期输出的差距。衡量结果是一种反馈信号，用于调节算法的工作方式。这个调节步骤就是”学习”。
1.1.3.1.4. 机器学习和深度学习的核心问题在于”有意义地变换数据”。机器学习中的”学习”指的是，寻找更好数据”表示”的自动搜索过程。根据任务将数据转化为更加有用的表示，这些操作可能是坐标转换、线性投影、平移、非线性操作等。
1.1.3.1.5. 机器学习的技术定义: 在预先定义好的可能性空间中，利用反馈信号的指引来寻找输入数据的有用表示。但这种方式比较缺乏创意(因为在预先定义的可能性空间中)
1.1.4. 深度学习的”深度”
1.1.4.1. 深度学习是机器学习的一个分支领域。
1.1.4.2. 深度学习的”深度”，指的是一系列连续的表示层。
1.1.4.3. 现代深度学习通常包含十个甚至上百个连续的表示层。这些表示层全都是从训练数据中自动学习的。一般的机器学习仅仅学习一两层的数据表示，有时称为浅层学习(shallow learning)
1.1.4.4. 深度学习的分层通常是通过”神经网络”(neural network)的模型来学习得到的。信息通过层层蒸馏操作，纯度越来越高。
1.1.5. 用三张图理解深度学习的工作原理
1.1.5.1. 神经网络是由其权重变化来”参数化”
1.1.5.2. 深度学习透过损失函数(衡量输出与预期值之间的距离)来衡量神经网络输出结果的质量。
1.1.6. 深度学习已取得的进展
1.1.6.1. 接近人类水平的图像分类
1.1.6.2. 接近人类水平的语音识别
1.1.6.3. 接近人类水平的手写文字转录
1.1.6.4. 更好的机器翻译
1.1.6.5. 更好的文本到语音转换
1.1.6.6. 数字助理
1.1.6.7. 自动驾驶
1.1.6.8. 更好的广告定向投放
1.1.6.9. 更好的网络搜索结果
1.1.6.10. 可回答用自然语言提出的问题
1.1.6.11. 下围棋战胜人类
1.1.7. 不要相信短期操作
1.1.7.1. 人们对于人工智能领域的期望过高。
1.1.7.2. 人工智能的两次寒冬
1.1.7.2.1. 第一次人工智能冬天:20世纪60年代(符号主义人工智能)
1.1.7.2.2. 第二次人工智能冬天: 20世纪80年代(专家系统)
1.1.7.2.3. 现在有可能会发生第三次人工智能冬天
1.1.8. 人工智能的未来
1.1.8.1. 要相信长期的愿景，人工智能可能需要一段时间才能充分发挥其潜力。
京公网安备 11010802022788号
