#科研筑基# 吴恩达深度学习 课程笔记 1.3 用神经网络进行监督学习
概念辨析
这节课我们又引入了一个名为“监督学习”的新概念,加上课程名称“深度学习”和我们常常听到的“机器学习”,难免会让初学者感到头疼,咋这么多“学习”啊!
所以,这里先用一些篇幅来简要地说明一下,这些听起来差不多的概念的联系和区别。
从宏观上来看,我们提到的所有概念都属于人工智能范畴,人工智能是计算机科学的一大领域,机器学习是人工智能的子集,而深度学习则是机器学习的子集。
机器学习,就是让机器取分析数据找规律,并通过找到的规律对新的数据进行处理,这样找规律和按照规律处理数据的过程是通过算法实现的,因此机器学习主要是设计和分析一些让计算机可以“自动学习”的算法。
机器学习按学习形式划分,分为监督学习、半监督学习、无监督学习和强化学习这四种训练方法。
深度学习作为机器学习的一个较大的子集,其按学习形式划分后也同上。
监督学习是一种有目的的训练方式,需要先选择一个适合目标任务的数学模型,把一部分已知的数据集喂给机器去学习,从而总结出机器自己的方法论,之后我们再把新的问题(测试集)输入机器,让它去解答。
无监督学习相比于监督学习,它没有明确的目的,作为一种统计手段,它处理的数据不需要打上标签,它的作用是,在没有标签的数据里发现潜在的一些结构。
用神经网络进行监督学习
在如今,神经网络通过监督学习所创造的经济价值是最可观的。
深度学习和神经网络用于广告推送、图像识别、语音识别、自动驾驶等等领域已经创造了巨量的价值。
对于图像应用,我们通常使用卷积神经网络(CNN),而对于文本则使用递归神经网络(RNN)。
机器学习可以应用在结构化数据和非结构化数据中,结构化数据意味着数据之间的关联性很大,而非结构化数据则表明这些数据之间是离散的,其关联性较小,这样非结构化的数据包括音频、模糊图像或文本的内容,人脑是可以很高效地处理这些数据的,但是普通的机器却不行,所以使用神经网络来训练机器,使其可以更好地理解这种数据,可以极大地解放人类的生产力。。
相关文章
- EasyCVR对接华为iVS订阅摄像机和用户变更请求接口介绍
- 精选 | 腾讯云CDN内容加速场景有哪些?
- 模块化网络防止基于模型的多任务强化学习中的灾难性干扰
- 用搜索和注意力学习稳健的调度方法
- 用于多变量时间序列异常检测的学习图神经网络
- 助力政企自动化自然生长,华为WeAutomate RPA是怎么做到的?
- 使用腾讯轻量云搭建Fiora聊天室
- TSRC安全测试规范
- 云计算“功守道”
- 助力成本优化,腾讯全场景在离线混部系统Caelus正式开源
- Flink 利器:开源平台 StreamX 简介
- 腾讯云实践 | 一图揭秘腾讯碳中和?解决方案
- 深度学习中的轻量级网络架构总结与代码实现
- 信息系统项目管理师(高项复习笔记三)
- Adobe国际认证让科技赋能时尚
- c++该怎么学习(面试吃土记)
- 面试官问发布订阅模式是在问什么?
- 面试官:请实现一个通用函数把 callback 转成 promise
- 空中悬停、翻滚转身、成功着陆,我用强化学习「回收」了SpaceX的火箭
- 中山大学林倞解读视觉语义理解新趋势:从表达学习到知识及因果融合