文章目录
课程摘要
从这门课中我们可以学到:
- 神经网络和深度学习
- 提高神经网络:超参数调整,正则化,优化
- 构建你的机器学习项目
- 卷积神经网络
- 自然语言处理:建立RNN
What is neural network
神经网络是由人类大脑启发的学习算法
下面通过房屋预测来了解神经网络
Simple neural network
房地产市场中,当给定房屋的大小,想要通过一种适合的函数来预测价格
这是一个线性回归(linear regression)问题,因为价格随着房屋大小的函数连续输出
价格不会是负数,所以使用一种叫做ReLU(Rectified Linear Unit)的函数,起点为0。
这个函数就是一个神经元(neural)。
这个神经网络构建如下。
一个简单的神经网络有三个要素:
- 输入:size
- 神经元:ReLU函数
- 输出:price
利用这个神经网络,给定一个输入 x ,即可得到一个输出 y。
Multiple neural network
思考一下影响房屋价格的特征:
- 大小:size
- 房间数:#bedrooms
- 邮政编码:zip code
- 价值:weath
而以上特征中:
size和#bedrooms一起决定了家庭大小(family size);
zip code决定了步行性(walkablity);
zip code和weath一起决定了学校质量(school quality)。
因此,当给定一个输入时,在得到预测输出值以前,还生成了以上的隐藏因素(family size,walkability,school),这些隐藏因素共同决定价格。
神经网络不能继续使用一个神经元,需建立多个神经元,其中,神经网络可以自动生成隐藏单元来预测价格。
下图为房屋预测的多神经元网络:
包含的元素:
- 输入层 input layers
- 隐藏层 output layers
- 输出 y
我们仅仅给定一个输入,即可得到一个输出。
Supervised leaning for Nenural Network
监督式学习(Supervised leaning)是对于给定的数据,我们已经知道了输出大概是什么样子,我们有想法去建立一个关于input和output的关系
监督式学习问题分为两类:
- Regression : 回归问题中输出是连续的
- Classification : 分类问题中输出是离散的
监督式学习应用:
针对不同的应用场景,有多种不同的神经网络类别
- 卷积神经网络CNN:应用于图片
- 递归神经网络:应用于一维序列数据,比如翻译语言
Structured and Unstructured data
Why is Deep Learning taking off
传统的学习算法只适用于小的数据集,随着数据量增加,神经网络规模也随之扩大,性能越来越好
深度学习过程
- 建立idea
- 编码
- 做实验
训练一个神经网络需要时间,快速的计算能帮助提高新算法
来源:CSDN
作者:KeKeMemory
链接:https://blog.csdn.net/keke_Memory/article/details/103585631