You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
This file contains ambiguous Unicode characters that may be confused with others in your current locale. If your use case is intentional and legitimate, you can safely ignore this warning. Use the Escape button to highlight these characters.
### 第一章 深度学习必备知识点
#### 深度学习要解决的问题
> 人工智能、机器学习、深度学习的区别于联系
机器学习的流程：
- 数据提取
- 特征工程
- 建立模型
- 评估与应用
> 特征工程可以说是建模过程中，最重要的部分。
既然特征工程是最重要的，常规我们会做各种各样的特征，如聚合统计、交叉等，那有没有一种方法，它可以**自动的**去选择重要的特征。
而深度学习可以说是最接近人工智能这一概念的，因为它解决了机器学习中“人工的”问题，如人工的选择特征、选择算法等。
深度学习最大的亮点，就是解决特征工程的人工问题。
特征工程的作用：
- 数据特征决定了模型的上限
- 预处理和特征提取是最核心的
- 算法与参数选择决定了如何逼近这个上限
特征如何提取，数值类的相对容易，那么文本类、图像类的呢？
传统特征提取方法：
> 各种计算可以说是非常麻烦的。
为什么需要深度学习：
> 如上图，将一个图像，分解成多个维度并变换成数值，变成机器可认识的。
#### 深度学习应用领域
自动驾驶：
人脸识别：
医学检测：
缺点：计算大量数据导致速度慢。
数据规模越大，越适合深度学习
#### 计算机视觉任务
如图像分类任务，如何把一张猫的图片，分到猫的类别（有一些列的标签：人、笔、飞机、猫 等等）
图像表示： ， ，
> 可能的维度是`300*100*3`， ， ， ，
** 计算机视觉面临的挑战**：
还是上面这张图，如照射角度：
其形状可能改变成如下的样子：
或者部分遮蔽：
背景混入：
这些都是可能遇到得问题，如何解决可以给一些遮蔽的样本，这些都是数据量可以解决的。
