AiLearning-Theory-Applying

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：

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：

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。

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

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：计算机眼中的图像，一张图片被表示成三维数组的形式，每个像素的值从0到255。

可能的维度是300*100*3，假设高度h是300，宽度w是100，3则是颜色通道RBG。图像中数值越大表示该点越亮，反之则越暗。

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。

线性函数

从输入——>输出的映射

每个像素点对结果产生影响，而每个像素点有对应的权重。
数学表示

32*32*3=3072个X（像素点），假设需要分类的类别一共有10个，那么这3072个X在这10个W（类别）中有着不同的权重得分，还有b偏值项，最终最高得分的就是预测的分类。
计算方法

为了计算简单，假设这种猫只有4个像素点，分别是56、231、24、2，分成3个类别（猫、狗、船），其中W有3行对应3个类别，且Wi有4个值对应4个像素点，我们来计算第一行，W*X+b = 0.256+(-0.5)231+0.124+2.02+1.1`=-97.9+1.1=-96.8，这样就得到了结果。

当权重Wi比较大时，说明该像素点对结果的影响比较重要，正值代表促进作用，负值代表抑制作用。
- W矩阵怎么来的：一开始是假设了一个，然后根据结果不断优化，就想上面的预测是把猫预测成了狗437.9，那么神经网络会不断迭代W矩阵中的值。
现在我们知道上面的结果不够好，那么我们应该怎样让它变好。