【读书笔记】《深度学习之美-AI时代的数据处理与最佳实践》-1
2019-04-02 00:41
225 查看
1、学习的核心目的是改善性能
知识的四个维度:横向上为可推理、不可推理,纵向上为可统计、不可统计。传统的机器学习是在横向上的,找到举一反三的方法,向可推理但不可统计的象限进发。而在纵向上,对于可统计但不可推理的,可以通过神经网络这种特定的机器学习方法,达到提升性能的目的。
简单的说,深度学习就是一种包含多个隐含层的多层感知机。它通过组合低层特征,形成更为抽象的高层表示,用以描述被识别对象的高级属性类别或特征。
经典机器学习与深度学习比较
经典机器学习 | 深度学习 |
---|---|
可推理不可统计 | 可统计不可推理 |
Divide and Conquer 分而治之 | end-to-end 端到端的 |
特征工程 | 特征表示学习 |
2、浅层学习
支持向量机(Support Vector Machine,SVM),Boosting,最大熵方法(如Logistic Regression,逻辑回归),这些机器学习模型,隐含层只有一层,甚至一层都没有(如LR算法)。
深度仅仅是手段,表示学习才是目的。
通常来说,层数更多的网络,通常有更强的抽象能力(即数据表征能力),也就能够产生更好的分类识别的结果。但是极深的架构叠加,带来的通信开销会淹没性能的提升。
相关文章推荐
- 一文了解深度学习在NLP中的最佳实践经验和技巧
- 如何用深度学习做自然语言处理?这里有份最佳实践清单
- 8个深度学习方面的最佳实践
- DeepLearning.ai笔记:(2-1)-- 深度学习的实践层面(Practical aspects of Deep Learning)
- 硬货 | 一文了解深度学习在NLP中的最佳实践经验和技巧
- AI圣经-深度学习-读书笔记(四)-数值计算
- 深度学习实践课程--fast.ai 资料整理
- 一文了解深度学习在NLP中的最佳实践经验和技巧
- DeepLearning.ai作业:(2-1)-- 深度学习的实践层面(Practical aspects of Deep Learning)
- Fastai深度学习课程的八大最佳实践
- 如何张开怀抱迎接AI时代——机器/深度学习小白入门篇
- 第48课: Spark 2.0内幕深度解密和学习最佳实践
- 心得丨8个深度学习方面的最佳实践
- 深度学习实践课程--fast.ai 资料整理
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(2-1)-- 深度学习的实践方面
- AI圣经-深度学习-读书笔记(一)-引言
- 八大深度学习最佳实践
- 大数据Spark “蘑菇云”行动第48课程 Spark 2.0内幕深度解密和学习最佳实践
- 8个深度学习方面的最佳实践
- 学习开始:HTML之路 XHTML & CSS 最佳实践指南