對csdn的課程進行了乙個整理
1.神經網路現階段的困擾
神經網路為什麼能工作 如何工作最好 用多少層 多少個神經元 為什麼 是沒有確定答案的 所以在理論層還沒有完全突破的情況下
我們學習的方式是 掌握用法 -實際使用 -回頭理解
各名詞的關係
2023年 ： 感知器 （perceptron） · 處理異或起來有障礙
2023年 ： 反向傳播（back propagation）·解決了異或 但是沒有大資料支撐來處理
2023年： 深度置信網路（deep belief nets）·《乙個深度執行網路的快速學習演算法》**開啟了新紀元
2023年： 使用gpu加速端到端bp神經網路 ·大幅提高了計算能力 使得輸入和輸出中間的可以交給計算器來處理實用性成為可能
神經網路分類
按資料流向
前饋 、遞迴、反饋
按網路中神經元組織形式
全連線、部分連線
按網路中神經元行為和連線方式
簡單（全連線）、卷積、迴圈
應用1.全連線 （資料分析，作為其他網路的組成部分）
2.卷積神經網路（計算機視覺，具有區域性相關性的資料）
3.迴圈神經網路（自然語言處理，語音，具有順序及前後關係性的資料）
按訓練方法
監督學習、無監督學習、強化學習
現階段所面對的問題
數學的基礎不夠清晰 神經元的理解非常的困難 沒有辦法精確的控制訓練的結果
可以預見的是
隨著各種更優演算法的不斷推出 人工智慧會發展的越來越好
深度學習概述
深度學習概述 1.深度學習定義 深度學習 deep learning 起源於人工神經網路，它的定義 通過組合低層特徵形成更加抽象的高層特徵或類別，從而從大量的輸入資料中學習有效特徵表示，並把這些特徵用於分類 回歸和資訊檢索的一種技術。何謂為深度 網路學習得到的函式中，非線性運算組合水平的數量。2深度...
深度學習概述
rnn,recurrent neural network,迴圈神經網路。在rnn中，神經元的輸出可以在下乙個時間戳直接作用到自身，即第i層神經元在m時刻的輸入，除了 i 1 層神經元在該時刻的輸出外，還包括其自身在 m 1 時刻的輸出。適用場景 自然語言處理 語音識別 手寫體識別等。因為樣本出現的時...
深度學習概述
part 5 深度學習的應用 part 6 總結與展望 文章 常虹，山世光.深度學習概述 j 資訊科技快報.深度學習是相對於svm knn gradient boost等淺層學習演算法而言的。深度是指乙個流向圖 flow graph 從輸入到輸出所走的最長的路徑。例如svm深度為2，第一層是核輸出或...