深度学习是机器学习完全基于人工神经网络由于神经网络将模仿人类大脑,因此深度学习也是对人类大脑的一种模仿。
本文涵盖了基本和高级概念,为初学者和专业人士提供了对技术的全面了解。无论你是深度学习的新手还是有一定经验的人,都将帮助你轻松了解深度学习的不同技术。
什么是深度学习?
深度学习是机器学习的一部分,它使用人工神经网络从大量数据中学习,而不需要显式编程。这些网络受到人类大脑的启发,可用于识别图像、理解语音和处理语言等。有不同类型的深度学习网络,如前馈神经网络、卷积神经网络和递归神经网络。深度学习需要大量的标签数据和强大的计算机才能很好地工作,但它在很多应用中都能取得非常好的效果。
-
基本神经网络(Basic Neural Network, BNN)
-
人工神经网络(Artifical Neural Network, ANN)
-
卷积神经网络(Convolutional Neural Network, CNN)
-
递归神经网络(Recurrent Neural Network, RNN)
-
生成式学习(Generative Learning, GL)
-
强化学习(Reinforcement Learning, RL)
1、基本神经网络
-
生物神经元与人工神经元(Biological Neurons Vs Artificial Neurons)
-
单层感知器(Single Layer Perception)
-
多层感知器(Multi-Layer Perception)
-
前向和后向传播(Forward and backward propagation)
-
前馈神经网络(Feed-foward neural networks)
-
神经网络层(Neural Network Layers)
-
激活功能介绍(Intro of Activiation Function)
-
激活函数的类型(PyTorch中的激活函数、Tensorflow中的激活函数)
-
深入了解激活函数
2、人工神经网络
-
神经网络中的代价函数(Cost function in neural networks)
-
梯度下降是如何工作的?
-
消失或爆炸梯度问题(Vanishing or Exploding Gradient Problems)
-
选择最佳历元数(Number of epochs)
-
深度学习中的批处理规范化
-
顺序API和函数API之间的区别
-
分类(基于TensorFlow的手写数字分类、利用PyTorch对手写数字进行分类)
-
回归(使用PyTorch进行线性回归、使用TensorFlow的线性回归)
-
微调和超参数(Fine-Tuning & Hyperparameters)
3、卷积神经网络
-
数字图像处理基础(Digital Image Processing Basics)
-
图像处理(Image Processing)
-
池化层(Pooling layer)
-
卷积神经网络或卷积
-
用于图像分类的CNN
-
不同的CNN架构
-
用于图像分类的预训练模型
-
目标检测与图像分割的区别
-
YOLO v2–目标检测
4、递归神经网络
-
什么是时间序列数据?(Time Series Data)
-
自然语言处理
-
标记化、词根化和词元化(Tokenization, Stemming and Lemmatisation)
-
单词嵌入(Word Embeddings)
-
递归神经网络(递归神经网络结构、使用RNN的情感分析、基于RNN的时间序列预测、RNN中的短时记忆问题、双向RNN架构)
-
长短期记忆(LSTM)(长短期记忆导论、长短期存储器结构、LSTM–通过时间反向传播的推导、使用LSTM生成文本)
-
门控循环单元(使用门控循环单元网络的文本生成)
5、生成式学习
-
自动编码器(AutoEncoder, AE)
-
自动编码器的工作原理
-
自动编码器的类型(线性自动编码器、堆叠自动编码器、卷积自动编码器、循环自动编码器、去噪自动编码器、稀疏自动编码器)
-
变分自动编码器
-
收缩自动编码器(CAE)
-
使用TensorFlow 2.0的自动编码器
-
在PyTorch中实现自动编码器
-
生成对抗性网络(生成对抗性网络(Gans)基础、生成对抗性网络、生成对抗性网络的用例、使用Keras构建生成对抗性网络、循环生成对抗性网络、Stylegan-风格生成对抗性网络)
6、强化学习
-
强化学习简介
-
强化学习中的奖励优化(Optimizing Rewards)
-
汤普森抽样强化学习(Thompson Sampling Reinforcement Leanring)
-
强化学习框架
-
马尔可夫决策过程(Markov Decision Process)
-
贝尔曼方程(Bellman Equation)
-
元学习(Meta-Leanring)
-
基于策略的强化学习
-
神经网络强化学习
-
Q学习
-
深度Q学习(使用TensorFlow实现深度Q学习、基于深度Q学习的人工智能驱动贪吃蛇游戏)
深度学习的应用
-
虚拟助手、聊天机器人和机器人技术(Virtual Assistants, Chatbots and Robotics)
-
自动驾驶汽车(Self Driving Cars)
-
自然语言处理(Natural Lanaguage Processing)
-
自动图像字幕生成(Automatic Image Caption Generation)
-
自动机器翻译(Automatic Machine Translation)
深度学习的常见问题
1、深度学习使用哪种语言?
深度学习可以使用各种编程语言实现,但最常用的是Python、C++、Java和MATLAB。
2、深度学习的第一层是什么?
输入层是任何深度学习模型中的第一层。
3、如何开始学习深度学习?
我们可以按照给定的步骤轻松开始深度学习:
(1)首先,学习机器学习基础知识;
(2)开始学习Python;
(3)选择深度学习框架;
(4)学习神经网络基础知识;
(5)用Kaggle或 UCI中的数据集进行练习;
(6)最后,从事真实世界的项目。
4、人工智能和深度学习的区别是什么?
深度学习是人工智能和机器学习的一种类型,它模仿人类获取某些类型知识的方式。
5、机器学习的四大支柱是什么?
深度学习的四大支柱是人工神经网络、反向传播、激活函数和梯度下降。
标签:指南,对抗性,编码器,一站式,学习,神经网络,自动,深度 From: https://blog.csdn.net/benny_zhou2004/article/details/139646644