002-deep-learning

机器学习 深度学习

• 收集数据
• 如何做问题 模型的制作和训练
• 如何部署到产品中

一  propose: 预测第二天购买额度


二 哪些因素对第二天的购买有影响 
1 age	50  28
2 gender male female
3 con. 100  10000 
4 cllection 1000 sample 
5 predict furture_consume


三 预测使用 

使用线性回归(是一个很简单的机器学习模型 )模型,预测未来的用户消费金额
这个就是机器学习 
通过模型训练出模型数据 
而不是通过简单的if-else来解决这个问题 
不同的数据集优化出来的效果是不一样的 

以上这些就是__`机器学习`__

离散值的表示  只有 0 1

预测图片中的动物

• 假设图片是黑白的使用二维矩阵

• 使用逻辑回归
• 最大似然估计

找到w 得到最小化交叉熵损失函数
最大概率

两层模型表达能力应该比一层强
模型需要考虑他的表达力

图片三

从机器学习到深度学习
加层
握草 都他妈是线性代数

握草 这尼玛就是在算数学吗

如果只是线性嵌套 加层 还是一种线性的 最后就是一个U V
不停的做线性转化 还是两个参数
没有提高模型复杂度
没有提高函数的表达能力

h1 就是隐含层,本质就是h1是本层的输出,下一层的输入
1000样本数
16 是维数 自己设计选取
num_hidden 28x28 拍平的784的向量映射到256的向量上去

加一个relu [3,-1,5]和0-> [3,0,5] 做了一个非线性的转换 加了一层后 这样就是四个参数了
加了一层 加了relu(激活函数)后
这个时候 模型就越深
提高了

就是把一个输入做线性转换和非线性转换

线性回归 逻辑回归 多层感知机

深度学习

• 多层卷积 多层 这些就构成了深度学习

卷积神经网络

• 从左到右 从上到下 通过卷积盒 抓取出空间相关性
• 卷积设置好如何跳懂 stride 还有pad信息 外面是否有pad
• weight卷积的通道 是卷积盒
  sum(input*weight)+bias
• 卷积盒代表样本 样本可以是单通道和多通道
• kernel 每次扫多大 ; stride 每次跳几步

  池化层

• 降低对位置的敏感性

总结

• 模型没有优劣之分
• 线性 逻辑 卷积
• 提高模型精度就是不断调参