1.簡述人工智慧、機器學習和深度學習三者的聯絡與區別。
搞清三者關係的最簡單方法，就是把它們想象成乙個同心圓，其中人工智慧最大，此概念也最先問世；然後是機器學習，出現的稍晚；最後才是深度學習，不過卻是如今人工智慧**式發展的根源，處於前兩者的範圍之內。
2. 全連線神經網路與卷積神經網路的聯絡與區別。
卷積神經網路也是通過一層一層的節點組織起來的。和全連線神經網路一樣，卷積神經網路中的每乙個節點就是乙個神經元。在全連線神經網路中，每相鄰兩層之間的節點都有邊相連，於是會將每一層的全連線層中的節點組織成一列，這樣方便顯示連線結構。而對於卷積神經網路，相鄰兩層之間只有部分節點相連，為了展示每一層神經元的維度，一般會將每一層卷積層的節點組織成乙個三維矩陣
3.理解卷積計算。
以digit0為例，進行手工演算。
from sklearn.datasets import load_digits #小資料集8*8
digits = load_digits()00
51391
0000
1315
101550
03152
01180
04120
0880
0580
0980
04110
11270
02145
101200
00613
10000
結果：
4.理解卷積如何提取影象特徵。
讀取乙個影象；
以下矩陣為卷積核進行卷積操作；
顯示卷積之後的影象，觀察提取到什麼特徵。
from pil import imageimport matplotlib.pyplot as plt
import numpy as np
import pylab
from scipy.signal import convolve2d
a = image.open(r'c:\users\曾梓楷\desktop\曾梓楷\0.png')
l = a.convert('l')
yuantu = np.array(a) # 原圖
huidutu = np.array(l) # 灰度圖
k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]]) # 垂直邊緣檢查
k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]]) # 水平邊緣
卷積api
scipy.signal.convolve2d
tf.keras.layers.conv2d
5. 安裝tensorflow,keras
參考：6. 設計手寫數字識別模型結構，注意資料維度的變化。
#可以上傳手動演算的每層資料結構的變化過程。model.summary()
參考：
機器學習之python基礎13
theme 字串格式化輸出 author lz time 2018 12 05 content format的用法 str2 my name is age is 以字典的形式賦值，然後格式化輸出 print str2.format map 以變數的形式賦值，然後格式化輸出 print str2.fo...
機器學習 分類演算法 邏輯回歸13
邏輯回歸在演算法實現的時候有個判定是某個類別的概率，我們一般是根據樣本數量的大小去判定。邏輯回歸做二分類進行癌症 根據細胞的屬性特徵 return 構造列標籤名字 column sample code number clump thickness uniformity of cell size un...
機器學習 吳恩達 筆記 13 大規模機器學習
目錄 大型資料集的學習 批量梯度下降 隨機梯度下降 小批量梯度下降 隨機梯度下降收斂 對映化簡和資料並行 此為本人學習吳恩達的機器學習課程的筆記記錄，有錯誤請指出！如果模型演算法具有欠擬合現象，增加資料集可以得到較好的 效果，那麼怎樣應對乙個有 100 萬條記錄的訓練集？以線性回歸模型為例，每一次梯...