机器学习/深度学习入门
base on 《Deep Learning with Python》(Python深度学习) by Francois Chollet
Machine Learning
机器学习思想和传统编程的区别:

根据数据的答案发现统计规律,这个过程叫做training
,而传统的是programming
,即遵循程序员写定的rules
完成输入到输出
但是,这种统计规律是传统数量统计难以分析的,它并非像是一门数学,而是一种工程经验,实践结果永远大于理论推导
根据一个指标衡量现在的输出和理想输出的距离,用它来自我调整,这个过程就是learning
机器学习是在对数据进行有意义地变换,因此需要找到一种有力的数据的表示representation
方法

即经过坐标变换后的数据的新的表示,能够更容易的进行分类任务
机器学习则是自动搜索有用的表示方法,并用评价指标作为反馈进行调整,使之能够用简单的规则完成任务
搜索预定义的一组操作,即假设空间hypothesis space
searching for useful representations and rules over some input data, within a predefined space of possibilities, using guidance from a feedback signal.
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
Deep Learning
deep指的是连续的表示层,即深度学习代表了一种“分层表示”的思想
深度学习一般包括数十个甚至上百个层,而其它机器学习方法通常只有一两层,叫做浅层学习
一般是通过神经网络模型来学习得到这些分层的


a multistage way to learn data representations
学习数据表示的多级方法
一个层对输入的操作体现在其权重上面,权重就是这个层的参数,神经网络就是寻找合适的参数

评价指标是loss fuction,通过loss衡量与理想结果的距离作为反馈进行调整,把这个调整操作看做一个优化器来做的

而优化器做的调整,就是梯度下降算法
,是这个让神经网络有了强大的生命力,这种算法的来由另一篇帖子就讲过了
其它机器学习算法
机器学习不只有深度学习这一种,还有很多其它的模型