From ec3a879253a8f26b87dde66ad8e7b291d4115d2a Mon Sep 17 00:00:00 2001 From: lisensen Date: Wed, 30 Jan 2019 10:21:38 +0800 Subject: [PATCH] change page of NNK --- src/Neural Network/NNK.01.md | 3 +++ src/Neural Network/NNK.02.md | 1 + 2 files changed, 4 insertions(+) diff --git a/src/Neural Network/NNK.01.md b/src/Neural Network/NNK.01.md index 1bae1fb..64b0da1 100644 --- a/src/Neural Network/NNK.01.md +++ b/src/Neural Network/NNK.01.md @@ -15,6 +15,7 @@ 具体应用如下： 1.分类 + 一切分类任务都依赖于已标记的数据集；也就是说，人类必须将自己的知识转移到数据集中，以供神经网络学习标签与数据之间的关联。这被称为有监督学习。 * 检测人脸，识别图像中的人物，辨识面部表情（愤怒、快乐等） * 识别图像中的物体（停车标志、行人、车道线等） @@ -24,11 +25,13 @@ * 任何常人可以想到的标签、任何与数据相关联的重要结果都可以用来训练神经网络。 2.聚类 + 聚类或分组就是检测相似性。深度学习用于检测相似性时不需要标签。不依赖标签的学习又称无监督学习。世界上大部分的数据都是未标记数据。机器学习的法则之一是：用于训练算法的数据越多，算法就会变得越准确。因此，无监督学习具有产生高准确率模型的潜力。 * 搜索：比较文档、图像和声音，发现类似的项目。 * 异常检测：相似性检测的反面是异常事件和异常行为检测。在许多情况下，异常行为往往与欺诈等需要及时发现和预防的事件高度相关。 3.预测分析 + 深度学习可以通过分类来发现事物间的关联，比如图像像素与人物姓名之间的关联。这可以称为静态预测。同样，如果有足够且合适的数据，深度学习网络可以发现当前事件与未来事件之间的关联。从某种意义上说，未来事件就像是标签一样。深度学习其实并不在意时间，或者某件事是否已经发生。深度学习网络可以处理一个特定的时间序列，读取一串数字，然后预测接下来最有可能出现的是什么数字。 * 硬件故障预测（数据中心、制造业、运输业） * 健康问题预测（根据人口统计信息和可穿戴设备的数据来预测中风、心脏病发作等） diff --git a/src/Neural Network/NNK.02.md b/src/Neural Network/NNK.02.md index 81e5eb2..9d9d420 100644 --- a/src/Neural Network/NNK.02.md +++ b/src/Neural Network/NNK.02.md @@ -3,6 +3,7 @@ 深度学习的方向：被应用在图像处理与计算机视觉，自然语言处理以及语音识别等领域。 #### 深度学习的入门 + 要理解并应用深度学习，必须先掌握线性代数、微积分和统计学，在这个基础上去实践和练习，接下来开启我们的深度学习的旅途！深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 pFad - Phonifier reborn

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.

Note: This service is not intended for secure transactions such as banking, social media, email, or purchasing. Use at your own risk. We assume no liability whatsoever for broken pages.

Alternative Proxies:

Alternative Proxy

pFad Proxy

pFad v3 Proxy

pFad v4 Proxy