資訊專欄INFORMATION COLUMN
摘要：通過(guò)前面幾節(jié)的學(xué)習(xí)，已經(jīng)奠定了通往學(xué)習(xí)的基礎(chǔ)，從這節(jié)開(kāi)始，來(lái)學(xué)習(xí)機(jī)器學(xué)習(xí)。一什么是機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)讓機(jī)器從數(shù)據(jù)中學(xué)習(xí)，進(jìn)而得到一個(gè)更加符合現(xiàn)實(shí)規(guī)律的模型，通過(guò)對(duì)模型的使用使得機(jī)器比以往表現(xiàn)的更好，這就是機(jī)器學(xué)習(xí)。
通過(guò)前面幾節(jié)的學(xué)習(xí)，已經(jīng)奠定了通往AI學(xué)習(xí)的基礎(chǔ)，從這節(jié)開(kāi)始，來(lái)學(xué)習(xí)機(jī)器學(xué)習(xí)。一、什么是機(jī)器學(xué)習(xí)
機(jī)器學(xué)習(xí)（MachineLearning）：讓機(jī)器從數(shù)據(jù)中學(xué)習(xí)，進(jìn)而得到一個(gè)更加符合現(xiàn)實(shí)規(guī)律的模型，通過(guò)對(duì)模型的使用使得機(jī)器比以往表現(xiàn)的更好，這就是機(jī)器學(xué)習(xí)。
通常來(lái)說(shuō), 機(jī)器學(xué)習(xí)的方法包括:
監(jiān)督學(xué)習(xí)(supervised learning)：有數(shù)據(jù)和標(biāo)簽;
非監(jiān)督學(xué)習(xí)(unsupervised learning)：只有數(shù)據(jù)沒(méi)有標(biāo)簽;
半監(jiān)督學(xué)習(xí)(semi-supervised learning)：結(jié)合了監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí);
強(qiáng)化學(xué)習(xí)(reinforcement learning):從經(jīng)驗(yàn)中總結(jié)提升；
遺傳算法(genetic algorithm):和強(qiáng)化學(xué)習(xí)類似，有著適者生存不適者淘汰準(zhǔn)則的遺傳算法。
二、人工神經(jīng)網(wǎng)絡(luò)和生物神經(jīng)網(wǎng)絡(luò)“計(jì)算機(jī)領(lǐng)域的神經(jīng)網(wǎng)絡(luò)和我們自己身體里的神經(jīng)網(wǎng)絡(luò)究竟是一樣的嗎?” 科學(xué)家們通過(guò)長(zhǎng)久的探索, 想讓計(jì)算機(jī)像人一樣思考, 所以研發(fā)了人工神經(jīng)網(wǎng)絡(luò), 究竟和我們的神經(jīng)網(wǎng)絡(luò)有多像? 那我們就先來(lái)看看人的神經(jīng)網(wǎng)絡(luò)到底是什么。
首先, 替代掉生物神經(jīng)網(wǎng)絡(luò)的, 就是已經(jīng)成體系的人工神經(jīng)網(wǎng)絡(luò). 所有神經(jīng)元之間的連接都是固定不可更換的, 這也就是說(shuō), 在人工神經(jīng)網(wǎng)絡(luò)里, 沒(méi)有憑空產(chǎn)生新聯(lián)結(jié)這回事. 人工神經(jīng)網(wǎng)絡(luò)典型的一種學(xué)習(xí)方式就是, 我已經(jīng)知道吃到糖果時(shí), 手會(huì)如何動(dòng), 但是我想讓神經(jīng)網(wǎng)絡(luò)學(xué)著幫我做這件動(dòng)動(dòng)手的事情. 所以我預(yù)先準(zhǔn)備好非常多吃糖的學(xué)習(xí)數(shù)據(jù), 然后將這些數(shù)據(jù)一次次放入這套人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)中, 糖的信號(hào)會(huì)通過(guò)這套系統(tǒng)傳遞到手. 然后通過(guò)對(duì)比這次信號(hào)傳遞后, 手的動(dòng)作是不是”討糖”動(dòng)作, 來(lái)修改人工神經(jīng)網(wǎng)絡(luò)當(dāng)中的神經(jīng)元強(qiáng)度. 這種修改在專業(yè)術(shù)語(yǔ)中叫做”誤差反向傳遞”, 也可以看作是再一次將傳過(guò)來(lái)的信號(hào)傳回去, 看看這個(gè)負(fù)責(zé)傳遞信號(hào)神經(jīng)元對(duì)于”討糖”的動(dòng)作到底有沒(méi)有貢獻(xiàn), 讓它好好反思與改正, 爭(zhēng)取下次做出更好的貢獻(xiàn). 這樣看來(lái), 人工神經(jīng)網(wǎng)絡(luò)和生物神經(jīng)網(wǎng)絡(luò)的確不是一回事.
兩者區(qū)別總結(jié)人工神經(jīng)網(wǎng)絡(luò)靠的是正向和反向傳播來(lái)更新神經(jīng)元, 從而形成一個(gè)好的神經(jīng)系統(tǒng), 本質(zhì)上, 這是一個(gè)能讓計(jì)算機(jī)處理和優(yōu)化的數(shù)學(xué)模型。而生物神經(jīng)網(wǎng)絡(luò)是通過(guò)刺激, 產(chǎn)生新的聯(lián)結(jié), 讓信號(hào)能夠通過(guò)新的聯(lián)結(jié)傳遞而形成反饋。雖然現(xiàn)在的計(jì)算機(jī)技術(shù)越來(lái)越高超, 不過(guò)我們身體里的神經(jīng)系統(tǒng)經(jīng)過(guò)了數(shù)千萬(wàn)年的進(jìn)化, 還是獨(dú)一無(wú)二的, 迄今為止, 再?gòu)?fù)雜, 再龐大的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)也不能替代我們的小腦袋。我們應(yīng)該感到自豪, 也應(yīng)該珍惜上天的這份禮物。
三、神經(jīng)網(wǎng)絡(luò)文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址：http://systransis.cn/yun/42373.html
摘要：楚江數(shù)據(jù)是專業(yè)的互聯(lián)網(wǎng)數(shù)據(jù)技術(shù)服務(wù)，現(xiàn)整理出零基礎(chǔ)如何學(xué)爬蟲技術(shù)以供學(xué)習(xí)，。本文來(lái)源知乎作者路人甲鏈接楚江數(shù)據(jù)提供網(wǎng)站數(shù)據(jù)采集和爬蟲軟件定制開(kāi)發(fā)服務(wù)，服務(wù)范圍涵蓋社交網(wǎng)絡(luò)電子商務(wù)分類信息學(xué)術(shù)研究等。 楚江數(shù)據(jù)是專業(yè)的互聯(lián)網(wǎng)數(shù)據(jù)技術(shù)服務(wù)，現(xiàn)整理出零基礎(chǔ)如何學(xué)爬蟲技術(shù)以供學(xué)習(xí)，http://www.chujiangdata.com。 第一：Python爬蟲學(xué)習(xí)系列教程（來(lái)源于某博主：htt...
摘要：以下這些項(xiàng)目，你拿來(lái)學(xué)習(xí)學(xué)習(xí)練練手。當(dāng)你每個(gè)步驟都能做到很優(yōu)秀的時(shí)候，你應(yīng)該考慮如何組合這四個(gè)步驟，使你的爬蟲達(dá)到效率最高，也就是所謂的爬蟲策略問(wèn)題，爬蟲策略學(xué)習(xí)不是一朝一夕的事情，建議多看看一些比較優(yōu)秀的爬蟲的設(shè)計(jì)方案，比如說(shuō)。 （一）如何學(xué)習(xí)Python 學(xué)習(xí)Python大致可以分為以下幾個(gè)階段： 1.剛上手的時(shí)候肯定是先過(guò)一遍Python最基本的知識(shí)，比如說(shuō)：變量、數(shù)據(jù)結(jié)構(gòu)、語(yǔ)法...
摘要：在基本語(yǔ)法入門之后，就要準(zhǔn)備選一個(gè)研究方向了。是自己比較感興趣的方向，可是，導(dǎo)師這邊的數(shù)據(jù)處理肯定不能由我做主了。真的挺愁人的還有幾個(gè)月就要進(jìn)行春季實(shí)習(xí)招聘了，加油總結(jié)一下機(jī)器學(xué)習(xí)方面的資料吧。 在python基本語(yǔ)法入門之后，就要準(zhǔn)備選一個(gè)研究方向了。Web是自己比較感興趣的方向，可是，導(dǎo)師這邊的數(shù)據(jù)處理肯定不能由我做主了。paper、peper、paper……真的挺愁人的 還有幾個(gè)...
閱讀 2123·2021-11-23 10:06
閱讀 3488·2021-11-11 16:54
閱讀 3352·2019-08-29 17:31
閱讀 3576·2019-08-29 17:05
閱讀 2175·2019-08-26 13:36
閱讀 2165·2019-08-26 12:17
閱讀 536·2019-08-26 12:12
閱讀 1681·2019-08-26 10:19
