机器学习——深度学习(Deep Learning)

Guakin_Huang 发布于2019-04-25 17:57 / 973人阅读

摘要：有监督学习与无监督学习，分类回归，密度估计聚类，深度学习，，有监督学习和无监督学习给定一组数据，为，。由于不需要事先根据训练数据去聚类器，故属于无监督学习。

Deep Learning是机器学习中一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，最近研究了机器学习中一些深度学习的相关知识，本文给出一些很有用的资料和心得。

Key Words：有监督学习与无监督学习，分类、回归，密度估计、聚类，深度学习，Sparse DBN，

1. 有监督学习和无监督学习

给定一组数据(input，target)为Z=(X，Y)。

有监督学习：最常见的是regression & classification。

regression：Y是实数vector。回归问题，就是拟合(X，Y)的一条曲线，使得下式cost function L最小。

classification：Y是一个finite number，可以看做类标号。分类问题需要首先给定有label的数据训练分类器，故属于有监督学习过程。分类问题中，cost function L(X,Y)是X属于类Y的概率的负对数。

，其中f_i(X)=P(Y=i | X);

无监督学习：无监督学习的目的是学习一个function f，使它可以描述给定数据的位置分布P(Z)。包括两种：density estimation & clustering.

density estimation就是密度估计，估计该数据在任意位置的分布密度

clustering就是聚类，将Z聚集几类（如K-Means），或者给出一个样本属于每一类的概率。由于不需要事先根据训练数据去train聚类器，故属于无监督学习。

PCA和很多deep learning算法都属于无监督学习。

2. 深度学习Deep Learning介绍

Depth 概念：depth: the length of the longest path from an input to an output.

Deep Architecture 的三个特点：深度不足会出现问题；人脑具有一个深度结构（每深入一层进行一次abstraction，由lower-layer的features描述而成的feature构成，就是上篇中提到的feature hierarchy问题，而且该hierarchy是一个稀疏矩阵）；认知过程逐层进行，逐步抽象

3篇文章介绍Deep Belief Networks，作为DBN的breakthrough

3.Deep Learning Algorithm 的核心思想：

把learning hierarchy 看做一个network，则

①无监督学习用于每一层网络的pre-train；

②每次用无监督学习只训练一层，将其训练结果作为其higher一层的输入；

③用监督学习去调整所有层

这里不负责任地理解下，举个例子在Autoencoder中，无监督学习学的是feature，有监督学习用在fine-tuning. 比如每一个neural network 学出的hidden layer就是feature，作为下一次神经网络无监督学习的input……这样一次次就学出了一个deep的网络，每一层都是上一次学习的 hidden layer。再用softmax classifier去fine-tuning这个deep network的系数。

这三个点是Deep Learning Algorithm的精髓，我在上一篇文章中也有讲到，其中第三部分：Learning Features Hierachy & Sparse DBN就讲了如何运用Sparse DBN进行feature学习。

4. Deep Learning 经典阅读材料：

The monograph or review paper Learning Deep Architectures for AI (Foundations & Trends in Machine Learning, 2009).
The ICML 2009 Workshop on Learning Feature Hierarchies webpage has a list of references.
The LISA public wiki has a reading list and a bibliography.
Geoff Hinton has readings from last year’s NIPS tutorial.
阐述Deep learning主要思想的三篇文章：
Hinton, G. E., Osindero, S. and Teh, Y., A fast learning algorithm for deep belief netsNeural Computation 18:1527-1554, 2006
Yoshua Bengio, Pascal Lamblin, Dan Popovici and Hugo Larochelle, Greedy Layer-Wise Training of Deep Networks, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems 19 (NIPS 2006), pp. 153-160, MIT Press, 2007<比较了RBM和Auto-encoder>
Marc’Aurelio Ranzato, Christopher Poultney, Sumit Chopra and Yann LeCun Efficient Learning of Sparse Representations with an Energy-Based Model, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press, 2007<将稀疏自编码用于回旋结构(convolutional architecture)>
06年后，大批deep learning文章涌现，感兴趣的可以看下大牛Yoshua Bengio的综述Learning deep architectures for {AI},不过本文很长，很长……

5. Deep Learning工具—— Theano

Theano是deep learning的Python库，要求首先熟悉Python语言和numpy，建议读者先看Theano basic tutorial，然后按照Getting Started 下载相关数据并用gradient descent的方法进行学习。

学习了Theano的基本方法后，可以练习写以下几个算法：

有监督学习：

Logistic Regression - using Theano for something simple
Multilayer perceptron - introduction to layers
Deep Convolutional Network - a simplified version of LeNet5

无监督学习：

Auto Encoders, Denoising Autoencoders - description of autoencoders
Stacked Denoising Auto-Encoders - easy steps into unsupervised pre-training for deep nets
Restricted Boltzmann Machines - single layer generative RBM model
Deep Belief Networks - unsupervised generative pre-training of stacked RBMs followed by supervised fine-tuning

最后呢，推荐给大家基本ML的书籍：

Chris Bishop, “Pattern Recognition and Machine Learning”, 2007
Simon Haykin, “Neural Networks: a Comprehensive Foundation”, 2009 (3rd edition)
Richard O. Duda, Peter E. Hart and David G. Stork, “Pattern Classification”, 2001 (2nd edition)

专线服务云服务器 deep learning 深度学习机器学习机器学习深度学习深度学习机器学习

文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。

转载请注明本文地址：https://www.ucloud.cn/yun/4273.html

Python入门深度学习完整指南

摘要：通过书籍学习，比如除了上述的先学知识，你还应该了解一些流行的深度学习库和运行他们的语言。你也可以查看查看的中的第讲，概要性的了解一些深度学习库。作者：chen_h微信号 & QQ：862251340微信公众号：coderpai简书地址：https://www.jianshu.com/p/cd0... 原文：https://www.analyticsvidhya.c... 介绍 ...

ztyzz 2019-07-30 15:16 评论0 收藏0
2018年最佳深度学习书单

摘要：所以，如果你想成为这场革命的一部分，现在无疑是最佳的时间进入深度学习领域了。深度学习深度学习，可能是本文中最全面的书。这本书被许多人认为是深度学习的圣经，因为它汇集了数年和数年在一本书中学习和专注的研究。摘要： AI人才缺口巨大？如果你想成为AI革命中的一员，那么你就必须要学习深度学习，看看这12本书，它们将成为你的利器！ showImg(https://segmentfault.c...

abson 2019-06-26 19:41 评论0 收藏0
2018年最佳深度学习书单

摘要：所以，如果你想成为这场革命的一部分，现在无疑是最佳的时间进入深度学习领域了。深度学习深度学习，可能是本文中最全面的书。这本书被许多人认为是深度学习的圣经，因为它汇集了数年和数年在一本书中学习和专注的研究。摘要： AI人才缺口巨大？如果你想成为AI革命中的一员，那么你就必须要学习深度学习，看看这12本书，它们将成为你的利器！ showImg(https://segmentfault.c...

Alfred 2019-06-26 19:41 评论0 收藏0
机器学习、深度学习与自然语言处理领域推荐的书籍列表

摘要：机器学习深度学习与自然语言处理领域推荐的书籍列表是笔者系列的一部分对于其他的资料文章视频教程工具实践请参考面向程序猿的数据科学与机器学习知识体系及资料合集。机器学习、深度学习与自然语言处理领域推荐的书籍列表是笔者 Awesome Reference 系列的一部分；对于其他的资料、文章、视频教程、工具实践请参考面向程序猿的数据科学与机器学习知识体系及资料合集。本文算是抛砖引玉，笔者最...

_Zhao 2019-06-26 19:32 评论0 收藏0
机器学习、深度学习与自然语言处理领域推荐的书籍列表

摘要：机器学习深度学习与自然语言处理领域推荐的书籍列表是笔者系列的一部分对于其他的资料文章视频教程工具实践请参考面向程序猿的数据科学与机器学习知识体系及资料合集。机器学习、深度学习与自然语言处理领域推荐的书籍列表是笔者 Awesome Reference 系列的一部分；对于其他的资料、文章、视频教程、工具实践请参考面向程序猿的数据科学与机器学习知识体系及资料合集。本文算是抛砖引玉，笔者最...

zqhxuyuan 2019-06-26 19:32 评论0 收藏0