NeuralNetworkAndDeepLearning
本文最后更新于 2024年9月26日 下午
神经网络与深度学习
前言
学科地位:
主讲教师 | 学分配额 | 学科类别 |
---|---|---|
宋歌 | 3 | 自发课 |
成绩组成:
小组作业 | 个人大作业 |
---|---|
40% | 60% |
教材情况:
课程名称 | 选用教材 | 版次 | 作者 | 出版社 | ISBN号 |
---|---|---|---|---|---|
神经网络与深度学习 | 《神经网络与深度学习》 | 1 | 邱锡鹏 | 机械工业出版社 | 978-7-111-64968-7 |
学习资源:
为什么要学这门课?
还记得 NJU 的 jyy 老师在上 OS 时说过的一句话,“我们现在学习的微积分是 300 年前的人类智慧结晶,何不再学学 50 年前的人类智慧结晶呢?”印象深刻。当一切都可以用层层嵌套的简单函数模拟时,人类社会必将发生翻天覆地的变化!
会收获什么?
如何学习特征?如何优化调参?为什么要这样做?背后的原理是什么?
概述
绪论
表示学习是什么?与传统的特征工程目的一致,为了得到数据中的更好的特征。不同的是,特征工程中的策略都是可控的方式,而表示学习就是利用深度学习从数据中学习高层的有效特征。
深度学习是什么?我们知道机器学习就是在手动处理完特征后,构建对应的模型 预测输出。而深度学习就是将机器学习的手动特征工程也用模型进行 表示学习 来学习出有效特征,然后继续构建模型 预测输出。如下图所示:
为什么会有深度学习?最简单的一点就是,很多特征我们根本没法定义一种表示规则来表示特征,比如说对于图像,怎么定义复杂的图像的特征呢?比如说对于音频,又怎么定义复杂的音频的特征呢?没办法,我们直接学特征!
神经网络是什么?就是万千模型中的一种,仅此而已。
为什么用神经网络进行深度学习?有了上面对深度学习定义的理解,可以发现其中最具有挑战性的特点就是,模型怎么知道什么才是好特征?什么是不好的特征?神经网络可以很好的解决这个问题。通过由浅到深层层神经元的特征提取,越深的神经元就可以学习更高语义的特征。说的高大上一点就是,神经网络可以很好的解决深度学习中的「贡献度分配」问题。
机器学习概述
数据 模型 学习准则 优化算法
线性模型
线性回归、线性分类。
学习准则:交叉熵损失。
优化算法:梯度下降。
有监督学习
基础神经网络模型
前馈神经网络
卷积神经网络
循环神经网络
记忆与注意力机制
网络优化与正则化
无监督学习
概率图模型
深度生成模型
强化学习
深度强化学习
个人大作业
- 背景介绍:做好国内外研究现状的调研。
- 项目理解:深入对模型与代码的理解。
- 充分实验:对比实验、验证实验(消融实验)、参数实验(验证模型对不同的参数的敏感性)。
- 项目总结。