人工智能与神经网络手册（执行版）.docxVIP

与神经网络手册（执行版）

第1章基础架构与核心概念

1.1机器学习与深度学习的基本定义

机器学习（MachineLearning,ML）是指通过算法让计算机系统从数据中学习规律，从而无需人工显式编程即可解决特定问题的过程，其核心在于“从数据中归纳出模型”。在机器学习领域，算法通常被分为三类：监督学习（SupervisedLearning）、无监督学习（UnsupervisedLearning）和强化学习（ReinforcementLearning），它们分别对应“有标签数据”、“无标签数据”和“奖励信号”三种不同的学习环境。

深度学习（DeepLearning）是机器学习的一个子集，它利用多层神经网络（DeepNeuralNetworks）来模拟人脑的神经元结构，通过自动特征提取能力处理高维非线性数据。深度学习特别擅长处理图像、语音、自然语言等复杂数据结构，其核心优势在于能够自动学习到数据中的深层抽象特征，而无需专家设计特征工程。深度学习的基础单元是神经元（Neuron），每个神经元接收多个输入信号，经过加权求和、非线性激活函数转换，然后传递给下一个神经元，形成层级化的特征表示。

机器学习与深度学习的界限并非绝对，深度学习本质上是一种基于统计方法的机器学习，而机器学习则是一个更广泛的概念，包含了许多非深度学习的算法。

1.2监督学习、无监督学习