FAFU机器学习 3-1-6中文.pptxVIP

强化学习 “把机器人扔进迷宫，让它找到出口” 今用于: 自动驾驶汽车 机器人吸尘器 游戏 自动交易 企业资源管理 常用算法:Q学习，SARSA，DQN，A3C，遗传算法 强化学习 强化学习用于当你的问题与数据完全无关，但你有一个环境可以生活的情况下。比如电子游戏世界或者自动驾驶汽车的城市 在环境中生存是强化学习的一个核心思想。把可怜的小机器人扔进现实生活，惩罚它的错误，奖励它的正确行为。就像我们教孩子一样，对吧？ 神经网络和深度学习 “我们有上千层的网络，几十块显卡，但还是不知道用在哪里。让我们生成猫咪图片吧！” 今天用于: 以上所有算法的替换 照片和视频上的物体识别 语音识别与合成 图像处理，风格转移 机器翻译 流行的体系结构:感知器，卷积网络(CNN)，递归网络(RNN)，自动编码器 深度学习 神经网络和深度学习 任何神经网络基本上都是神经元和它们之间连接的集合。 神经元是一个有一堆输入和一个输出的函数。它的任务是从输入中取出所有的数字，对它们执行一个函数，然后将结果发送给输出 神经网络和深度学习 神经元 连接就像神经元之间的通道。它们将一个神经元的输出与另一个神经元的输入连接起来，这样它们就可以相互发送数字。每个连接只有一个参数-权重。 这些权重告诉神经元对一种输入的反应更多，而对另一种输入的反应更少。训练时调整权重--这就是网络学习的方式。 为了防止网络陷入无政府状态，神经元之间是分层链接的，而不是随机的。在一层内，神经元是不相连的，但它们与下一层和前一层的神经元相连。 卷积神经网络(CNN) 2012年，卷积神经网络在ImageNet的竞争中取得了压倒性的胜利，这让世界突然想起了上世纪90年代描述的深度学习方法。现在我们有视频卡了！ CNN被用来搜索照片和视频中的物体，人脸识别，风格转换，生成和增强图像，创建诸如慢动作的效果和提高图像质量。如今，CNN被用于所有涉及图片和视频的案件 递归神经网络(RNN) 当今第二流行的建筑。递归网络给了我们有用的东西，比如智能助手中的神经机器翻译，语音识别和语音合成。RNN对于语音，文本或音乐等顺序数据是最好的 我们可以训练感知器产生这些独特的声音，但它如何记住以前的答案呢？所以我们的想法是给每个神经元增加记忆，并在下一次运行时将其作为额外的输入。下一个例子，我们可以用一个更高的元音发音。 这就是经常性网络出现的原因。 References /blog/machine_learning/ /content/20/0404/12903778366.shtml