百度架构师手把手带你零基础实践深度学习 学习笔记 课节2.1

• 百度架构师手把手带你零基础实践深度学习 学习笔记 课节2.1
• 机器学习算法构成的三要素
• 简单机器学习无法解决的问题——深度学习

百度架构师手把手带你零基础实践深度学习 学习笔记 课节2.1

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

机器学习算法构成的三要素

以牛顿第二定律F=a/m为例。

• 假设：
  首先要假设并圈定一个可能的模型或者关系范围，在这个范围内寻求最优的Y~X关系。比如说，在牛顿第二定律中，通过数据猜测是线性关系，那么从线性关系中寻求最优解，即确定参数M。
• 评价
  在寻找最优前，需要明确什么是最优，就是评价Y~X关系好坏的标准。一般认为，关系和观测数据中拟合的偏差越小越好。
• 优化
  用来寻找使得Y~X关系最优的算法叫做优化算法（求解算法）。笨的优化算法即按照参数的可能，穷举每一个可能取值来计算损失函数，保留使得损失函数最小的参数作为最终结果。（就是穷举法）
  

简单机器学习无法解决的问题——深度学习

• 上面说的牛顿第二定律是一个线性关系，是一种最简单的关系，而实际上，生活中更多的问题要复杂的多。
• 比如图像识别问题，图像对于计算机而言是一个个矩阵，要从这个矩阵中的出一个关系是一件很复杂的事情，上面简单的假设公式无法解决这类问题。
• 于是，通过人脑结构获得启发，得到了一个强大的公式，几乎可以拟合任何一种关系。这就是深度学习的通俗理解。