每日一课 | 智慧灯杆人工智能之实践方法二:机器学习

描述

 

3.机器学习

谷歌CEO桑达尔·皮查伊在一封致股东信中,把机器学习誉为人工智能和计算的真正未来,可想而知机器学习在人工智能研究领域的重要地位。机器学习的方式包括有监督学习、无监督学习、半监督学习和强化学习。其中的算法有回归算法(最小二惩罚、LR等)、基于实例的算法(KNN、LVQ等)、正则化方法(LASSO等)、决策树算法(CART、C4.5、RF等)、贝叶斯方法(朴素贝叶斯、BBN等)、基于核的算法(SVM、LDA等)、聚类算法(K-Means、DBSCAN、EM等)、关联规则(Apriori、FP-Growth)、遗传算法、人工神经网络(PNN、BP等)、深度学习(RBN、DBN、CNN、

DNN、LSTM、GAN等)、降维方法(PCA、PLS等)、集成方法(Boosting、Bagging、AdaBoost、RF、GBDT等)。

深度学习是机器学习中人工神经网络算法的延伸和发展,近期深度学习的研究非常火热,下面介绍一下神经网络和深度学习。先说两层网络,如图3-20所示,其中,a是“单元”的值;w表示“连线”权重;g是激活函数,一般为方便求导,采用Sigmoid函数。采用矩阵运算来简化图中公式:a(2)=g(a(1)×w(1)),z=g(a(2) ×w(2))。设训练样本的真实值为y,预测值为z,定义损失函数loss=(z-y)²,所有参数w优化的目标就是使对所有训练数据的损失和尽可能小,此时这个问题就转化为一个优化问题,常用梯度下降算法求解。一般使用反向传播算法,从后往前逐层计算梯度,最终求解各参数矩阵。

机器学习

图3-20 深度学习两层神经网络算法

 

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分