人工神经网络
人工神经网络
2.1机器学习与深度学习 机器学习 机器学习算法： 机器学习 神经网络 有监督学习 无监督学习 深度学习 分类 回归 聚类 其他 逻辑回归 线性回归 K-means 关联规则 SVM SVM 层次聚类 PCA 神经网络 神经网络 密度聚类 GMM 决策树 决策树 随机森林 随机森林 GBDT GBDT KNN 朴素贝叶斯
机器学习算法： 2.1 机器学习与深度学习 神经网络 机器学习 深度学习
2.1机器学习与深度学习 机器学习 传统机器学习 分析问题 定位任务 3%重望练数据果 神经网络 5%其他 4%优化模型 9%在数据中发提模式 深度学习 数据清理 特征提取 特征选择 19%收集数据集 60%清理和组织数据 模型训川练 思考：可否由 算法自动完成？ 推理、预测和识别
传统机器学习： 2.1 机器学习与深度学习 神经网络 机器学习 深度学习
2.1机器学习与深度学习 机器学习 神经网络可以将原始数据（例如RGB像素值） 直接输入，而不需要 创建任何域特定的输入功能。通过多层神经元，可以”自动”通过每一层 神经网络 产生适当的特征，最后提供一个非常好的预测。这极大地消除了寻找”特 深度学习 征工程"的麻烦。 Deep Learning learns layers of features Diagonal Face Node Node 0→2→→→
2.1 机器学习与深度学习 神经网络可以将原始数据（例如RGB像素值）直接输入，而不需要 创建任何域特定的输入功能。通过多层神经元，可以“自动”通过每一层 产生适当的特征，最后提供一个非常好的预测。这极大地消除了寻找“特 征工程”的麻烦。 神经网络 机器学习 深度学习
2.1机器学习与深度学习 机器学习 1.人工神经网络研究历史 1943年，Warren McCulloch(麦卡洛克)和Walter Pitts(皮茨) 发表题 神经网络 为《A Logical Calculus of the Ideas Immanent in Nervous Activity》 的论文 深度学习 首次提出神经元的M-P模型。 树 突角中 来自第1个神 当前神经元 经元的榆入 01 给出 细胞核 工2 2U2 忌 轴突 工n 第：个神经元 的搥接权重 407 M-P模型的工作原理是神经元的输入信号加权求和，与阈值比较再决定神经 元是否输出。这是从原理上证明了人工神经网络可以计算算术和逻辑函数
2.1 机器学习与深度学习 1. 人工神经网络研究历史 1943年，Warren McCulloch（麦卡洛克）和Walter Pitts（皮茨）发表题 为《A Logical Calculus of the Ideas Immanent in Nervous Activity》的论文， 首次提出神经元的M-P模型。 M-P模型的工作原理是神经元的输入信号加权求和，与阈值比较再决定神经 元是否输出。这是从原理上证明了人工神经网络可以计算算术和逻辑函数。 神经网络 机器学习 深度学习