机器学习：无序数据转化为价值的方法 机器学习价值：从数据中抽取规律，并预测未来
- 分类问题：图像识别、垃圾邮件识别
- 回归问题：股价预测、房价预测
- 排序问题：点击率预估、推荐
- 生成问题：图像生成、图像风格转换、图像文字描述生成
- 数据处理（采集+去噪）
- 模型训练（特征+模型）
- 模型评估与优化（MSE、F1-score、AUC+调参）
- 模型应用（A/B测试）
人工智能、机器学习、深度学习之间的关系
人工智能（AI）> 机器学习（Machine Learning）> 深度学习（Deep learning）
- 机器学习是实现人工智能的方法
- 深度学习是实现机器学习算法的技术
- 卷积神经网络(Convolutional Neural Network, CNN)
- CV 领域使用较多
- 循环神经网络(Recurrent Neural Networks，RNNs)
- NLP 领域使用较多
- 处理不定长数据
- 自动编码器
- 稀疏编码
- 深度信念网络
- 深度学习 + 强化学习 = 深度强化学习
- AlphaGo
- AlphaZero
- 图像分类
ImageNet: http://image-net.org/
- 机器翻译
- 图像生成
-
字体生成
-
AlphaGo
神经网络模型是模仿人类的大脑神经构造而构造的。先来看人体神经元模型。
神经元的可以分为四个区域：
- 接收区（receptive zone）：树突接收到输入信息。
- 触发区（trigger zone）：位于轴突和细胞体交接的地方，决定是否产生神经冲动。
- 传导区（conducting zone）：由轴突进行神经冲动的传递。
- 输出区（output zone）：神经冲动的目的就是要让神经末梢，突触的神经递质或电力释出，才能影响下一个接受的细胞（神经元、肌肉细胞或是腺体细胞），此称为突触传递。
人工神经网络（ANN：Artificial Neural Network），简称神经网络（NN：Neural Network）。迄今为止，人工神经网络尚无统一定义， 其实一种模拟了人体神经元构成的数学模型，依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
上图显示了人工神经网络是一个分层模型，逻辑上可以分为三层：
- 输入层：输入层接收特征向量 x 。
- 输出层：输出层产出最终的预测 h 。
- 隐含层：隐含层介于输入层与输出层之间，之所以称之为隐含层，是因为当中产生的值并不像输入层使用的样本矩阵 X 或者输出层用到的标签矩阵 y 那样直接可见。
神经元 -> 激活函数sigmoid -> 二元类逻辑斯蒂回归模型
神经元 -> 多输出
- W从向量扩展为矩阵
- 输出W*x则变成向量
多输出神经元 -> softmax -> 多分类逻辑斯蒂回归模型
也称为损失函数，衡量对数据的拟合程度
-
下山算法
- 找方向
- 走一步
-
梯度下降算法
Google Brain 第二代机器学习框架
- 命令式变成
- 声明式变成
- 基于 VirtualEnv 的安装
- 原生 pip
- Docker
- 从源代码安装