探索机器学习的这一分支，该分支在大量数据上进行训练，并处理协同工作以执行预测的计算单元

概述

此学习路径专为有兴趣熟悉和探索深度学习主题的任何人而设计。目前，该学习路径涵盖了深度学习的基础知识，但将来将得到增强，以涵盖有监督和无监督的深度学习概念。

深度学习基础知识

了解深度学习与机器学习的关系，探索其基础知识，并了解在某些应用中使用深度学习算法的优势。

技能水平

初学者

估计完成时间

约2小时。

学习目标

通过此学习路径，你将获得：

• 对深度学习概念的理解

• 对深度学习架构的理解

• 深度学习框架的比较

• 如何在 TensorFlow 中启用 Eager Execution

• 如何创建包含用于定义逻辑回归的 Python 代码的 Jupyter Notebook，然后使用 TensorFlow 实现它

• 了解如何在没有框架帮助的情况下构建神经网络

深度学习简介

探索机器学习的这一分支，该分支在大量数据上进行训练，并处理协同工作以执行预测的计算单元

在萌芽时期，人工智能 （AI） 主要关注基于规则的系统，这些系统将使用必须由主题专家提供的预定义规则集进行预测。然而，这些系统很脆弱，依赖于这些“专家意见”，最终导致它们过时。随着数据规模和数量的增加，这些方法被一种更加数据驱动的方法所取代，即机器学习。

机器学习与深度学习

机器学习是算法和工具的集合，可帮助机器理解数据中的模式，并使用这种底层结构对给定任务进行推理。机器可以通过多种方式来理解这些基本模式。但是机器学习与深度学习有什么关系呢？在本文中，我们概述了深度学习如何适应这一领域，并讨论了它的一些应用和挑战。

人们越来越误解深度学习是机器学习领域的竞争技术。在本文中，我们将讨论其中的一些误区，并解释深度学习与机器学习的关系，以及在某些应用中使用深度学习算法的优势。

从长远来看，深度学习是机器学习的一个子领域。凭借加速的计算能力和大型数据集，深度学习算法能够自我学习数据中的隐藏模式以进行预测。

从本质上讲，您可以将深度学习视为机器学习的一个分支，它基于大量数据进行训练，并处理许多协同工作以执行预测的计算单元。

深度学习与人脑

为了创建学习方式类似于人类学习方式的系统，深度学习的底层架构受到人脑结构的启发。出于这个原因，深度学习中的许多基本术语可以映射到神经学。与神经元如何形成大脑的基本构建块类似，深度学习架构包含一个计算单元，允许对称为感知器的非线性函数进行建模。

深度学习的魔力始于不起眼的感知器。类似于人脑中的“神经元”如何在整个神经系统中传递电脉冲，感知器接收一系列输入信号并将其转换为输出信号。

感知器旨在通过将许多层堆叠在一起来理解数据表示，其中每一层负责理解输入的某些部分。可以将层视为计算单元的集合，这些计算单元学习检测值的重复出现。

每一层感知器都负责解释数据中的特定模式。这些感知器的网络模仿大脑中的神经元如何形成网络，因此该架构称为神经网络（或人工神经网络）。

人工神经网络

本节概述了深度学习、人工神经网络 （ANN） 背后的架构，并讨论了一些关键术语。

如下图所示，每个感知器由以下几部分组成：

第 1 步 - 计算加权总和

• 输入 x1 到 xn，也可以用向量 X 表示。 X i 表示数据集中的第i 个条目。数据集中的每个条目都包含 n 个因变量。

• 权重 w1 到 wn，可以表示为矩阵 W

• 偏置项 b，它是一个常数

第 2 步 - 激活功能

步骤 1 的输出现在通过激活函数传递。激活函数 g 是一个数学函数，可用于在将输出发送到下一层之前将输出转换为所需的非线性格式。它将求和结果映射到所需的范围。这有助于确定神经元是否需要被激活。

例如，sigmoid 函数将值映射到范围 [0,1]，如果您希望系统预测概率，这将非常有用。这样可以对复杂的非线性决策边界进行建模。