机器学习概念
深度学习是一种编程范式
在机器学习过程中，输入的是数据和从这些数据中预期得到的答案，系统输出的是规则。这些规则随后可应用于新的数据，并使计算机自主生成答案
| 分类 | 输入 | 生成 |
|---|---|---|
| 经典程序 | 待处理数据和规则 | 答案 |
| 机器学习 | 待处理数据和期望的答案 | 规则 |
机器学习系统是训练出来的，而不是明确地用程序编写出来的。 ## 编写时着眼的关键 ### 三要素 #### 输入
| 例子 | 输入 |
|---|---|
| 语音识别 | >声音文件 |
| 图像添加标签 | >图像 |
（预期的）输出
| 例子 | 输出 |
|---|---|
| 语音识别 | >文字 |
| 图像添加标签 | >标签 |
衡量算法效果的方法
通常用预期输出和实际输出的差距来衡量
核心问题
如何有意义地变换数据
数据的表示
| 数据 | 表示 |
|---|---|
| 颜色 | HSV表示，RGB表示 |
| 点 | 坐标系，与某确定点的距离，与某确定点的方向角 |
- 数据处理过程的本质就是将输入变换表示成为输出 有时会将输入进行预先变换（预处理），或将生成的输出进行变换最终得到结果（后处理）。
- 由于机器学习理论上可以自己学习到这种变换，所以这种处理一般是为了降低机器学习的学习难度，加快训练效率、加强训练效果。（如降低图像饱和度问题先将图像颜色预处理为HSV表示会使学习更有效率，效果更好）
深度学习
- 深度学习是机器学习的一个分支，强调从连续的“层”中学习，层数被称为深度。
人话：深度学习的系统由层组成的有向图构成，层就是上面进行数据处理的单位，学习时只需改变层的情况（参数）即可 - 这个有向图模型就是神经网络模型
工作原理
### 概念 * 权重/参数： 层对输入数据做变换的时候需要的参数，或者说每层实现的变换由其权重来参数化 * 学习 目的：为每层找到最合适的权重 方法：使用优化器进行反向传播 * 损失函数 目的：用损失值衡量预测值与期望值的差距损失值越大差距越大，也就是衡量学习成果 * 优化器 目的：调整权重合适 方法：根据损失值作为反馈 * 训练循环 学习的过程
