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。