码迷,mamicode.com
首页 > 其他好文 > 详细

Part 0/ Chapter 1 Introduction

时间:2019-10-01 18:32:21      阅读:109      评论:0      收藏:0      [点我收藏+]

标签:评估   数据   输入数据   chapter   技术   经验   数据转换   指令   数据量   

1、AI深度学习(Deep Learning):让计算机从经验中学习,并根据层次化的概念体系来理解世界,而每个概念则通过与某些相对简单的概念之间的关系来定义。

2、AI的一个关键挑战:将非形式化的知识传达给计算机。

3、知识库(knowledge base):将关于世界的知识用形式化的语言进行硬编码(hardcode),计算机再使用逻辑推理规则来自动理解这些形式化语言中的声明,但最终的结果并不好。

4、机器学习(Machine Learning):AI系统需要具备自己获取知识的能力,从原始数据中提取模式的能力。

5、表示学习(Representation Learning):许多人工智能的任务都可以通过“先提取一个合适的特征集,然后将这些特征提供给简单的机器学习算法”来解决,但是对于很多任务来说,我们很难知道应该提取

哪些特征。解决这个问题的途径之一就是使用机器学习来发掘“表示”本身,而不仅仅把表示映射到输出。

  Typical Example:自编码器(autoencoder)=编码器(encoder)函数+解码器(decoder)函数。其中编码器函数将输入数据转换为一种不同的表示,而解码器函数将新的表示转换到原来的形式。我们期望

输入数据经过编码器和解码器之后尽可能多地保留信息,同时希望新的标识有各种好的特性。

6、度量模型深度的两种主要方式:①基于评估架构所需执行的顺序指令的数目 ②用于深度概率模型中,不是将计算图的深度视为模型深度,而是将描述概念彼此如何关联的图的深度视为模型深度。

7、AI技术的包含关系:深度学习 deep learning(如多层感知机MLPs)<表示学习 representation learning(如shallow autocoders)<机器学习 machine learning(如logistic regression)<人工智能 AI(如

knowledge bases)

8、深度学习的历史趋势:

①深度学习历史悠久丰富,但随着许多不同哲学观点的渐渐消逝,与之对应对的名称也渐渐尘封;

②随着可用的训练数据量不断增加,深度学习变得更加有用;

③随着时间的推移,针对深度学习的计算机软硬件基础设施都有所改善,深度学习模型的规模也随之增长;

④随着时间的推移,深度学习已经解决日益复杂的应用,并且精度不断提高。

 

 

 

Part 0/ Chapter 1 Introduction

标签:评估   数据   输入数据   chapter   技术   经验   数据转换   指令   数据量   

原文地址:https://www.cnblogs.com/rainton-z/p/11615489.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!