【深度学习基础与概念】笔记(一)深度学习革命

datawhale组队学习,共读ai新圣经

一、深度学习革命的核心概念

  1. 机器学习 vs 深度学习

    • 机器学习:通过数据训练算法,替代传统手工设计规则(如分类、回归)
    • 深度学习:机器学习的分支,基于神经网络,模拟人脑信息处理机制,可处理高维复杂数据(如图像、语言)
    • 通用人工智能(AGI):大语言模型(如GPT-4)展现的跨任务能力被视为AGI雏形
  2. 关键术语对比

    概念 定义 示例
    监督学习 使用标注数据训练模型 皮肤癌分类、蛋白质结构预测
    无监督学习 从无标注数据中发现模式 人脸图像生成
    自监督学习 自动从数据中生成标签 大语言模型(预测下一个词)
    迁移学习 预训练模型微调适应新任务 医疗诊断模型复用日常图像特征

二、深度学习的四大应用场景

  1. 医疗诊断

    • 案例:黑色素瘤分类模型(准确率超专业医生)
    • **技术要点:**使用迁移学习解决数据稀缺
  2. 蛋白质结构预测

    • AlphaFold突破:通过氨基酸序列预测3D结构,误差接近实验测定水平
    • 意义:加速新药研发与生物过程理解。
  3. 图像合成

    生成式模型:如GAN、扩散模型,生成与训练数据统计特性一致的新样

  4. 大语言模型(LLM)

    核心机制:自回归预测(根据上文生成下文),通过海量文本自监督训练。


三、教学示例:多项式拟合中的机器学习原理

误差函数:用来确定多项式系数

  1. 过拟合与泛化

    • 问题:高阶多项式(如M=9)完美拟合训练数据但测试误差剧增。
    • 根源:模型复杂度过高,拟合了噪声而非真实规律。
  2. 正则化技术

    • 方法:在误差函数中添加权重惩罚项
    • 效果:抑制系数幅值,提升泛化能力
  3. 模型选择与验证

    • 交叉验证:将数据分为S份,轮流用S-1份训练、1份验证,避免过拟合(图1.12)。问题:模型训练成本大幅提升,与超参数结合训练成本指数级提高。
    • 超参数调优:通过验证集选择最佳多项式阶数M或正则化强度λ。

四、神经网络发展简史与技术突破

  1. 三个阶段演进

    • 单层网络(1950s-1980s):感知机受限(仅线性可分问题)。
    • 反向传播(1980s-2000s):引入梯度下降与可微激活函数,训练多层网络
    • 深度网络(2010s至今):GPU算力 + 大数据 + 架构创新(如残差连接)推动爆发
  2. 残差连接(ResNet)

    原理:学习残差而非直接映射,提高深层网络训练效率。

相关推荐
AKAMAI几秒前
在分布式计算区域中通过VPC搭建私有网络
人工智能·分布式·云计算
明月照山海-18 分钟前
机器学习周报十
深度学习·机器学习·cnn
@Wufan18 分钟前
【机器学习】10 Directed graphical models (Bayes nets)
人工智能·机器学习
我找到地球的支点啦19 分钟前
Matlab系列(005) 一 归一化
人工智能·机器学习·matlab·信息与通信
ygy.白茶22 分钟前
线性回归入门级
人工智能·python·机器学习
@Wufan23 分钟前
【机器学习】9 Generalized linear models and the exponential family
人工智能·机器学习
长安即是故里35 分钟前
Maxwell学习笔记
笔记·学习
mit6.8242 小时前
[Vid-LLM] 功能分类体系 | 视频如何被“观看“ | LLM的主要作用
人工智能·python
Fine姐2 小时前
数据挖掘 4.1~4.7 机器学习性能评估参数
人工智能·机器学习·数据挖掘
咸甜适中3 小时前
rust语言 (1.88) egui (0.32.1) 学习笔记(逐行注释)(十四)垂直滚动条
笔记·学习·rust·egui