机器学习——深度学习(Deep Learning)
Deep Learning是机器学习中一个非常接近AI的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,近期研究了机器学习中一些深度学习的相关知识,本文给出一些非常实用的资料和心得。
Key Words:有监督学习与无监督学习。分类、回归。密度预计、聚类,深度学习,Sparse DBN,
1. 有监督学习和无监督学习
给定一组数据(input,target)为Z=(X,Y)。
有监督学习:最常见的是regression & classification。
regression:Y是实数vector。回归问题,就是拟合(X。Y)的一条曲线,使得下式cost function L最小。
classification:Y是一个finite number,能够看做类标号。分类问题须要首先给定有label的数据训练分类器,故属于有监督学习过程。分类问题中,cost function L(X,Y)是X属于类Y的概率的负对数。
。当中fi(X)=P(Y=i
| X);
无监督学习:无监督学习的目的是学习一个function f,使它能够描写叙述给定数据的位置分布P(Z)。 包含两种:density
estimation & clustering.
density estimation就是密度预计,预计该数据在任何位置的分布密度
clustering就是聚类。将Z聚集几类(如K-Means),或者给出一个样本属于每一类的概率。
因为不须要事先依据训练数据去train聚类器。故属于无监督学习。
PCA和非常多deep learning算法都属于无监督学习。
Depth 概念:depth:
the length of the longest path from an input to an output.
Deep Architecture 的三个特点:深度不足会出现故障;人脑具有一个深度结构(每深入一层进行一次abstraction,由lower-layer的features描写叙述而成的feature构成,就是上篇中提到的feature
hierarchy问题,并且该hierarchy是一个稀疏矩阵);认知过程逐层进行。逐步抽象
3篇文章介绍Deep
Belief Networks,作为DBN的breakthrough
3.Deep Learning Algorithm 的核心思想:
把learning hierarchy 看做一个network。则
①无监督学习用于每一层网络的pre-train。
②每次用无监督学习仅仅训练一层,将其训练结果作为其higher一层的输入;
③用监督学习去调整全部层
这里不负责任地理解下,举个样例在Autoencoder中,无监督学习学的是feature。有监督学习用在fine-tuning.
比方每个neural network 学出的hidden layer就是feature,作为下一次神经网络无监督学习的input……这样一次次就学出了一个deep的网络,每一层都是上一次学习的hidden layer。
再用softmax classifier去fine-tuning这个deep network的系数。
这三个点是Deep Learning Algorithm的精髓,我在上一篇文章中也有讲到,当中第三部分:Learning
Features Hierachy & Sparse DBN就讲了怎样运用Sparse DBN进行feature学习。
4. Deep Learning 经典阅读材料:
- The monograph or review paper Learning Deep Architectures for AI (Foundations
& Trends in Machine Learning, 2009).- The ICML 2009 Workshop on Learning Feature Hierarchies webpage has a list
of references.- The LISA public wiki has a reading
list and a bibliography.- Geoff Hinton has readings from last year’s NIPS
tutorial.阐述Deep learning主要思想的三篇文章:
- Hinton, G. E., Osindero, S. and Teh, Y., A
fast learning algorithm for deep belief netsNeural Computation 18:1527-1554, 2006- Yoshua Bengio, Pascal Lamblin, Dan Popovici and Hugo Larochelle, Greedy
Layer-Wise Training of Deep Networks, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems 19 (NIPS 2006), pp. 153-160, MIT Press, 2007<比較了RBM和Auto-encoder>- Marc’Aurelio Ranzato, Christopher Poultney, Sumit Chopra and Yann LeCun Efficient
Learning of Sparse Representations with an Energy-Based Model, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press,
2007<将稀疏自编码用于回旋结构(convolutional architecture)>06年后。大批deep learning文章涌现。感兴趣的能够看下大牛Yoshua Bengio的综述Learning
deep architectures for {AI},只是本文非常长,非常长……
5. Deep Learning工具—— Theano
Theano是deep
learning的Python库,要求首先熟悉Python语言和numpy,建议读者先看Theano
basic tutorial,然后依照Getting
Started 下载相关数据并用gradient descent的方法进行学习。
学习了Theano的基本方法后,能够练习写下面几个算法:
有监督学习:
- Logistic Regression - using Theano for something
simple - Multilayer perceptron - introduction to layers
- Deep Convolutional Network - a simplified
version of LeNet5
无监督学习:
- Auto Encoders, Denoising Autoencoders - description of autoencoders
- Stacked Denoising Auto-Encoders - easy steps into unsupervised pre-training for deep nets
- Restricted Boltzmann Machines - single layer generative RBM model
- Deep Belief Networks - unsupervised generative pre-training
of stacked RBMs followed by supervised fine-tuning
最后呢,推荐给大家基本ML的书籍:
- Chris Bishop, “Pattern Recognition and Machine Learning”, 2007
id=K7P36lKzI_QC&dq=simon+haykin+neural+networks+book&source=gbs_navlinks_s" style="color:rgb(202,121,0); text-decoration:none">Simon Haykin, “Neural Networks: a Comprehensive
Foundation”, 2009 (3rd edition)- Richard O. Duda, Peter E. Hart and David G. Stork, “Pattern Classification”, 2001 (2nd edition)
关于Machine Learning很多其它的学习资料将继续更新,敬请关注本博客和新浪微博Sophia_qing。
References:
1. Brief Introduction to ML for AI
3.A tutorial on deep learning - Video
注明:转自Rachel Zhang的专栏http://blog.csdn.net/abcjennifer/article/details/7826917
机器学习——深度学习(Deep Learning)的更多相关文章
- (转)机器学习——深度学习(Deep Learning)
from:http://blog.csdn.net/abcjennifer/article/details/7826917 Deep Learning是机器学习中一个非常接近AI的领域,其动机在于建立 ...
- (转)深度学习(Deep Learning, DL)的相关资料总结
from:http://blog.sciencenet.cn/blog-830496-679604.html 深度学习(Deep Learning,DL)的相关资料总结 有人认为DL是人工智能的一场革 ...
- 机器学习(Machine Learning)&深度学习(Deep Learning)资料【转】
转自:机器学习(Machine Learning)&深度学习(Deep Learning)资料 <Brief History of Machine Learning> 介绍:这是一 ...
- 机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 2)
##机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 2)---#####注:机器学习资料[篇目一](https://github.co ...
- 【重磅干货整理】机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总
[重磅干货整理]机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总 .
- 机器学习(Machine Learning)&深度学习(Deep Learning)资料
机器学习(Machine Learning)&深度学习(Deep Learning)资料 機器學習.深度學習方面不錯的資料,轉載. 原作:https://github.com/ty4z2008 ...
- 【深度学习Deep Learning】资料大全
最近在学深度学习相关的东西,在网上搜集到了一些不错的资料,现在汇总一下: Free Online Books by Yoshua Bengio, Ian Goodfellow and Aaron C ...
- (转) 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-01-FAQ
特别棒的一篇文章,仍不住转一下,留着以后需要时阅读 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-01-FAQ
- 转:浅谈深度学习(Deep Learning)的基本思想和方法
浅谈深度学习(Deep Learning)的基本思想和方法 参考:http://blog.csdn.net/xianlingmao/article/details/8478562 深度学习(Deep ...
随机推荐
- spirngMVC的搭建
1 springMVC的搭建肯定是需要用到一系列的jar包的,那么第一步就是去spring官网下载对应版本的jar包 可以通过 http://www.cnblogs.com/imentors/p/49 ...
- Jdbc访问数据库篇
一万年太久,只争朝夕 What JDBC 上部 JDBC(Java DataBase Connectivity)Java 数据库连接,主要提供编写 Java 数据库应用程序的 API 支持 java. ...
- Do you kown Asp.Net Core -- 配置Kestrel端口
Kestrel介绍 在Asp.Net Core中,我们的web application 其实是运行在Kestrel服务上,它是一个基于libuv开源的跨平台可运行 Asp.Net Core 的web服 ...
- c#基础知识索引器
代码 ]); }} 在这里我们看到,无非是实现了一个泛型算法 等同于 Ontology List<string> lit=new List<string>(); lis. ...
- 教你五步制作精美的HTML时钟
学了一段时间的HTML.CSS和JS后,给大家做一款漂亮的不像实力派的HTML时钟,先看图:涉及到的知识点有: CSS3动画.DOM操作.定时器.圆点坐标的计算(好多人是不是已经还给自己的老师了~) ...
- 【转】Java中用单例模式有什么好处
Java Singleton模式主要作用是保证在Java应用程序中,一个类Class只有一个实例存在. 使用Singleton的好处还在于可以节省内存,因为它限制了实例的个数,有利于Java垃圾回收( ...
- 安装apache
1.安装依赖软件 pcre gcc expat apr(Apache portable Run-time libraries,Apache可移植运行库) apr-util [root@localhos ...
- 【原创】python爬虫获取网站数据并存入本地数据库
#coding=utf-8 import urllib import re import MySQLdb dbnumber = MySQLdb.connect('localhost', 'root', ...
- KNN--用于手写数字识别
优点:精度高,对异常值不敏感,无数据输入假定 缺点:计算复杂度高,空间复杂度高 适用数据范围:数值型和标称型 一般流程: (1). 收集数据(网络抓取) (2).处理数据,将数据处 ...
- js 获取每月有几周,根据年月周获取该周从周一到周日的日期等方法
本文基于react-native 本人在用react-native写一个关于课程表的APP时需要课程表按照日期周期显示,网上查了许多方法,都没有达到自己想要的效果,根据一些方法的参考,再根据自己思维写 ...