深度学习笔记

2019-03-14  本文已影响0人  no_repeat

[问题]

机器学习基础部分

1.如何构建机器学习算法?

由于不能够实际计算出代价函数,可使用近似其梯度的方法,用迭代数值的方式来优化近似最小化的目标

2.深度学习可以发力的方向

传统机器学习算法在这类问题上泛化能力严重不足,从而成为了深度学习发展的动机
特别是在处理高维数据时在新样本上的泛化特别困难,因为涉及到巨大的计算代价

3.维数灾难怎么办?

通过额外假设来生成数据的分布来建立区域间的依赖关系,即用现有的数据来生成指数级的区间数据?
也是深度学习的一个核心思想

4.流形学习

1.流形假设:现实生活中的主流数据的分布是高度集中的,且与均匀的噪声数据能够高度区别开来
2.至少能够非正式地想象这些邻域和变换
3.使用流形中的坐标而非R中的坐标系来标识机器学习数据更为自然


深度前馈网络部分

1.深度前馈网络

线性模型的明显缺陷:模型的能力被局限在线性函数中,且无法理解任何两个输入变量间的相互作用
怎么办?不讲线性模型用在x本身,而是用在一个变换后的ϕ(x)函数上;ϕ是一个非线性变换;可以使用核技巧;可以认为ϕ提供了一组描述x的特征

如何选择映射ϕ?

上一篇 下一篇

猜你喜欢

热点阅读