机器学习——深度学习(deep learning)

《机器学习——深度学习(deep learning)》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、机器学习——深度学习(DeepLearning)分类：MachineLearning2012-08-0409:49124336人阅读评论(65)收藏举报algorithmclassificationfeaturesfunctionhierarchyDeepLearning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，最近研究了机器学习中一些深度学习的相关知识，本文给出一些很有用的资料和心得。KeyWords：有监督学习与无监督学习，分类、回归，密度估计、聚类，深度学习，Spars

2、eDBN，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costfunctionL最小。classification：Y是一个finitenumber，可以看做类标号。分类问题需要首先给定有label的数据训练分类器，故属于有监督学习过程。分类问题中，costfunctionL(X,Y)是X属于类Y的概率的负对数

3、。，其中fi(X)=P(Y=i

4、X);无监督学习：无监督学习的目的是学习一个functionf，使它可以描述给定数据的位置分布P(Z)。包括两种：densityestimation&clustering.densityestimation就是密度估计，估计该数据在任意位置的分布密度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。由于不需要事先根据训练数据去train聚类器，故属于无监督学习。PCA和很多deeplearning算法都属于无监督学习。2. 深度学习Dee

5、pLearning介绍  Depth概念：depth:thelengthofthelongestpathfromaninputtoanoutput.  DeepArchitecture的三个特点：深度不足会出现问题；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描述而成的feature构成，就是上篇中提到的featurehierarchy问题，而且该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DeepBeliefNetwo

6、rks，作为DBN的breakthrough3.DeepLearningAlgorithm的核心思想：  把learninghierarchy看做一个network，则   ①无监督学习用于每一层网络的pre-train；  ②每次用无监督学习只训练一层，将其训练结果作为其higher一层的输入；  ③用监督学习去调整所有层这里不负责任地理解下，举个例子在Autoencoder中，无监督学习学的是feature，有监督学习用在fine-tuning.比如每一个neuralnetwork学出的hiddenlayer就是

7、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hiddenlayer。再用softmaxclassifier去fine-tuning这个deepnetwork的系数。这三个点是DeepLearningAlgorithm的精髓，我在上一篇文章中也有讲到，其中第三部分：LearningFeaturesHierachy&SparseDBN就讲了如何运用SparseDBN进行feature学习。4.DeepLearning经典阅读材料：·Themono

8、graphorreviewpaper LearningDeepArchitecturesforAI (Foundations&TrendsinMachineLearning,2009).·TheICML2009WorkshoponLearningFeatureHierarchies webpage hasa listofreferences.·TheLISA publicwiki hasa readinglist anda bibliography.·GeoffHintonhas readings fromlasty

9、ear’s NIPStutorial.阐述Deeplearning主要思想的三篇文章：·Hinton,G.E.,Osindero,S.andTeh,Y., AfastlearningalgorithmfordeepbeliefnetsNeuralComputation18:1527-1554,2006·YoshuaBengio,PascalLa