【短期之内优先学机器学习还是深度学习呢？】由我亲自讲解深度学习全套教程-人工智能
第一章知识点总结：深度学习基础概念(P2-P8)
P2:
- 机器学习流程：1.数据获取 2.特征工程(最关键部分) 3.建立模型 4.评估与应用
- 深度学习的目的：通过“黑盒子”自动提取特征以完成/辅助完成特征工程(避免人为规定标签的繁琐任务)
P3:
- 深度学习目前大部分用于计算机视觉和自然语言处理方面(识别，分类)
- 深度学习的主要缺点在于计算量大(速度慢，实时任务跟不上)
- 最庞大图像分类库IMAGENET，是2009年创建的大规模带标签数据集，训练和测试算法常用的模板。从此计算机视觉开始受到重视。2012年ALEX在比赛中凭借深度学习算法获得冠军，深度学习开始受到重视。
P4:
- 通常一张图片会被表示成三维数组(长*宽*图像性质参数)的形式
- 目前计算机视觉的挑战：照射角度，形状改变，部分遮蔽，背景混入。(有足够数据量目前都可解决)
P5:
- 分类问题套路：1.给定标签 2.训练分类器 3.测试&评估
- K近邻算法：不详细展开，通俗解释为：附近什么多就猜它是什么。(像素点值直接相减的方式不适用图像分类，因为无法考虑背景与主体关系)
P6:
- 神经网络基础：线性函数：自变量为输入图像全部信息(尺寸为1*自变量数量)，参数是每个单个信息的权重(自变量数量*尺寸为类别数量)，因变量为识别为每个类别的得分(类别数量*1)，另外还有一个偏置参数，总体为: y = kx + b。训练任务就是优化k值的权重矩阵
P7:
- 损失函数用于衡量分类结果以指导模型当前效果，其种类繁多(通常公式中以L表示loss)。up示例的损失函数设计为 L = Max ( 0，错误值 - 正确值 + 近似容忍程度的值 )
P8:
- 损失函数值一致并不意味两个模型一致，可能会有突出异常的单个自变量致使与训练期望相同的效果(过拟合)，此时应当加入正则化惩罚项以减小模型的复杂程度。这里up只是简介，细节可详见一位知乎答主的解释：https://zhuanlan.zhihu.com/p/449538404 。
- softmax分类器，类似于sigmoid函数用于将所有得分函数的值压缩至(0,1)区间内。具体计算流程为: 1.计算所有得分的指数 2.将这些指数值归一化 3.将答案标签对应的数值取负对数得到损失值。(这段up的流程图非常清晰地体现了计算过程 )7-前向传播整体流程 P8 - 06:19
- 由数据与当前模型得出损失函数的过程称为前向传播，更新模型的过程称为反向传播。
备注：
此笔记总括了该视频系列P2-P8主要知识点。视频的关键意义在于up的讲解通俗易懂很接地气，刚开始理解机器学习与深度学习的朋友建议逐级观看。
