神经网络与深度学习 Chapter1概述

原创已于 2024-04-03 10:15:16 修改 · 473 阅读

本内容遵循CC 4.0 BY-SA版权协议

标签

#深度学习 #神经网络 #人工智能

于 2024-03-29 09:42:37 首次发布

6 篇文章

订阅专栏

本文介绍了神经网络与深度学习在人工智能中的地位，探讨了其发展历史、发展趋势以及在计算机视觉、机器学习等领域的应用。强调了经验学习和数据在AI中的关键作用，以及特征工程对于处理非结构化数据的重要性。

Chapter1 概述

人工智能：
- 人工智能(Artificial Intelligence)：是用机器去实现所有目前必须借助人类智慧才能实现的任务。其具体研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统。
- 神经网络与深度学习是目前人工智能最为热门的一个分支。
人工智能方法：人工智能是一个概念性而非形式化定义，包含多种方法论
- 仿生角度 - 神经网络、深度学习
- 符号学角度 - 机器学习
- 行为学角度 - 自动控制、强化学习
- 交叉角度
机器学习应用
- 经典定义：利用经验来改善计算机系统的性能
  
  A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, it its performance at tasks in T as measured by P, improves with experience. —T. Mitchell (CMU)
- 经验：在计算机系统种，即为数据（集）
- 主要目标：预测未知、理解系统
大数据问题
- 非结构化数据：语义不清楚、稀疏
- 瓶颈：特征工程（Feature Engineering） ，以视觉信息处理为例
人类信息分级处理：
- 人的视觉系统的信息处理是分级的；
- 高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越来越能表现语义或者意图；
- 抽象层面越高，存在的可能猜测就越少，就越利于分类。