[学习笔记] 机器学习——入门（一）

一、机器学习的算法

大概分为4-5类：

监督学习（supervised learning）：提供“数据”和“数据对应的值”，让计算机学习如何对应“数据”和“值”，即“值”如何代表“数据”

非监督学习（unsupervised learning）：仅提供“数据”，让计算机自己去判断和分类

半监督学习（semi-supervised learning）：综合监督学习与非监督学习的特征，考虑如何利用少量有标签的样本和大量没有标签的样本进行训练和分类

强化学习（reinforcement learning）：把计算机丢到一个完全陌生的环境或分配一个完全陌生的任务，让它自己去成功适应陌生环境或学会完成任务的方途径

遗传算法（genetic algorithm）：从众多模型中选择最优模型，并基于该最优模型进行“繁衍和变异”，实现模型的进化升级

二、神经网络是什么？

由大量的人工神经元连结进行计算，大多数情况下，人工神经网络能够 在外界信息的基础上改变内部结构 ，实现一个 逐渐适应 的过程。

由神经元及他们之间的联系构成。

输入层（接受并传递信息的层）+ 隐藏层（负责传入信息的加工处理）+ 输出层（输出的结果，表现出计算机对事物的认知）

三、如何训练神经网络？

训练过程：输入有标签的样本 -> 进行计算（激励神经元） ->  对比预测结果与真实结果 -> 反馈 -> 向正确的方向修改神经元（某些神经元变得迟钝，某些神经元变得敏感） -> 重复上述过程

最后得到的神经网络，通过每个神经元的敏感程度，实现对样本信息的处理，即对图片中真正重要的信息敏感，这样也就训练成功了。

四、什么是卷积神经网络？

在 图片和语言识别方面 能够给出相比其他神经网络更优秀的结果

卷积：不是处理单个像素，而是 处理图片中每小块像素区域 。加强了图片信息的连续性，加深了神经网络对图片信息的理解。

卷积神经网络结构：原始图片（长，宽，高） -> 收集像素块，输出 -> 卷积后的图片（长宽变小，高度更高，包含了边缘信息） -> 重复上述步骤（得到高度更高的图片，即对原始图片有了更深的理解）-> 嵌入普通分类神经层上

*问题：在每次卷积后，神经层可能会无意的丢失一些信息

*解决方法：池化（pooling）在卷积时不压缩长宽，尽量保留更多的信息，压缩过程交给池化

优化后的卷积神经网络结构：输入图片 -> 第一次卷积 -> 池化（max pooling）-> 重复上述步骤 -> 将第二次处理得到的信息传入两层全链接的神经层 -> 分类系（classifier）